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：

1. 读取数据，转化为灰度图像。
2. 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。
3. 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：