可以读取多张本地或者云端数据集图片,并进行特征提取分析,图像聚类评估的Python代码。
文件下载地址提供
import os
import urllib.request
import numpy as np
import cv2
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.metrics import silhouette_score
# 设置要读取的图片文件夹路径
folder_path = "path/to/image/folder"
# 如果图片文件夹不存在,则抛出异常
if not os.path.exists(folder_path):
raise ValueError("Folder path does not exist")
# 获取文件夹内所有图片文件的路径
image_files = [os.path.join(folder_path, file) for file in os.listdir(folder_path) if file.endswith(".jpg")]
# 定义一个函数来读取和预处理图片
def preprocess_image(image_path):
# 从文件路径读取图像
image = cv2.imread(image_path)
# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 将图像大小统一调整为 256x256
resized_image = cv2.resize(gray_image, (256, 256))
# 将像素值归一化为 [0, 1] 区间
normalized_image = resized_image.astype(np.float32) / 255.
# 将 256x256 的图像拉伸为一个 65536 维的向量
flattened_image = normalized_image.flatten()
return flattened_image
# 对每个图像进行预处理,并将结果保存在一个 numpy 数组中
preprocessed_images = np.array([preprocess_image(image_path) for image_path in image_files])
# 使用 PCA 进行降维处理
pca = PCA(n_components=50)
reduced_images = pca.fit_transform(preprocessed_images)
# 使用 KMeans 进行聚类,并计算轮廓系数
kmeans = KMeans(n_clusters=5)
cluster_labels = kmeans.fit_predict(reduced_images)
silhouette_avg = silhouette_score(reduced_images, cluster_labels)
# 输出轮廓系数
print("Silhouette Score:", silhouette_avg)