基于聚类K-Means方法实现图像分割

”“”K-Means to realize Image segmentation “”“
import numpy as np
import PIL.Image as image
from sklearn.cluster import KMeans
#Define loadDato to solve my image
def loadData(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 in range(m):
         for j in range(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()
     return np.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 in range(row):
     for j in range(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