python实现图像分割聚类分析_基于聚类K-Means方法实现图像分割

”“”K-Means to realize Image segmentation “”“importnumpy as npimportPIL.Image as imagefrom sklearn.cluster importKMeans#Define loadDato to solve my image

defloadData(filePath):

f= open(filePath,'rb')#deal with binary

data =[]

img= image.open(f)#return to pixel(像素值)

m,n = img.size#the size of image

for i inrange(m):for j inrange(n):

x,y,z=img.getpixel((i,j))#deal with pixel to the range 0-1 and save to data

data.append([x/256.0,y/256.0,z/256.0])

f.close()returnnp.mat(data),m,n

imgData,row,col= loadData("./picture/apple.png")#setting clusers(聚类中心) is 3

label = KMeans(n_clusters=3).fit_predict(imgData)#get the label of each pixel

label =label.reshape([row,col])#create a new image to save the result of K-Means

pic_new = image.new("L",(row,col))#according to the label to add the pixel

for i inrange(row):for j inrange(col):

pic_new.putpixel((i,j),int(256/(label[i][j]+1)))

pic_new.save("./picture/km.jpg","JPEG")

K-Means算法：

我们常说的K-Means算法属于无监督分类（训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质和规律，为进一步的数据分析提供基础），它通过按照一定的方式度量样本之间的相似度，通过迭代更新聚类中心，当聚类中心不再移动或移动差值小于阈值时，则就样本分为不同的类别。聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个”簇“，通过这样的划分，每个簇可能对应于一些潜在的类别。

算法实现步骤：

随机选取聚类中心

根据当前聚类中心，利用选定的度量方式，分类所有样本点

计算当前每一类的样本点的均值，作为下一次迭代的聚类中心

计算下一次迭代的聚类中心与当前聚类中心的差距，若差距小于迭代阈值时，迭代结束。

算法伪代码：

其中，D为样本集，聚类所得簇划分为C

图像分割实验：利用图像的灰度、颜色、纹理、形状等特征，把图像分成若 干个互不重叠的区域，并使这些特征在同一区域内呈现相似性，在不同的区 域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域 提取出来用于不同的研究。本次实验我们将apple聚类中心设置n_clusters=3，cat聚类中心设置为2

1、实验步骤

建立kms.py工程并导入所需python包

加载本地图片进行预处理

K-Means聚类算法实现

聚类像素点并保存输出

2、实验数据

测试image：

3、实验结果

3、实验总结

在本次实验中，我们通过设置不同的聚类中心，从而得到不同的聚类结果。如果想要得到预想的效果，必须多次尝试，这使得K值具有不确定性，不利于我们操作。

在进行本次实验时，遇到如下问题：

(1)IndentationError: unindent does not match any outer indentation level

(2)ValueError: cannot reshape array of size 500 into shape (500,500)

问题解决：

这两个问题出现的原因均是对其python格式对齐出现问题，f的打开和f的关闭应该对齐，而报错的原因也恰在这里。一般(2)的报错原因最多可能是数据格式有问题，但在考虑数据格式有问题的时候，首先查看代码格式是否正确。