使用k-means算法实现灰度图像分割
k-means算法实现步骤
k-means算法可以用于聚类,图像分割任务也可以理解为图像内像素点的聚类。
实现算法步骤如下:
- 读取数据,转化为灰度图像。
- k-means算法实现
2.1,取中心点C(包含k各中心值);
2.2,分别计算像素数组中各值与各中心的距离;
2.3,离那个中心近属于哪个类;
2.4,计算各类中平均值,作为新的中心C_2;
2.5,根据各C_2与C的变化判断是否终止迭代。 - 图像展示;
程序
from PIL import Image
import matplotlib.pyplot as plt
from random import sample
import pandas as pd
import numpy as np
def get_pixel(grey_image):
#获取图像像素
pixel = []
for i in range(grey_image.size[0]):
for j in range(grey_image.size[1]):
x = grey_image.getpixel((j, i)) # 获取图片的每一个像素 (i,j)(i,j) 的 RBG 值
pixel.append(x)
return pixel
def k_means(pixel,k):
#k-means算法具体实现
C=sample(pixel,2)
error=10e3
while error>10e-10:
D = np.zeros((len(pixel), k)) #D为样本到每一个中心的距离平方,
for i in range(k):
cc=[]
cc.append(C[i])
cc=np.array(cc)
pixel=np.array(pixel)
cc=np.full((len(pixel)), cc)
D[:, i] = np.square(pixel - cc)
labels = np.argmin(D, axis=1)
pix_dataFrame=pd.DataFrame(pixel)
C_2=pix_dataFrame.groupby(labels).mean() #计算新的中心
C=pd.DataFrame(C)
error = np.linalg.norm(C_2 - C)
C=np.array(C)
C_2=np.array(C_2)
C=C_2
return labels,C
#读取数据
path =r'D:\tensorflow\image_classification_with_pytorch-master\作业\摄影.jpg'
I = Image.open(path)
m,n=I.size
L = I.convert('L') #转化为灰度值
#获取像素值
pixel=get_pixel(L)
k=2 #k为聚类数目
#k-means算法实现
labels,C =k_means(pixel,k)
#分割图labels图像显示
labels = labels.reshape(m,n)
plt.imshow(labels,cmap='gray')
plt.show()
原图与分割效果图
原图:
分割结果: