使用 sklearn 库中的 KMeans 实现彩色图像聚类分割
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了使用 sklearn 库中的 KMeans 实现彩色图像聚类分割相关的知识,希望对你有一定的参考价值。
参考技术Asklearn 库是最为常用且经典的机器学习库,里面封装了许多机器学习算法,此篇文章使用此库中的 KMeans 算法,从而实现图像的聚类分割。
本文不讲理论,只谈应用。
除了 sklearn 库之外,还需要一些图像处理的库,我引入了如下几个库:
我使用了 pylab 库来读入图片:
此时读入的 img 是一个三维 numpy 数组,其形状为 (height, width, 3) ,其中3是指通道数,即 RGB 三个通道。
但是, KMeans 传入的参数必须是二维数组,故,还需要将其打散为二维:
在此构建时,只需要使用最简单的方法即可:
参数有很多,我在构建的时候除了 n_clusters 都使用的默认值:
然后,使用 fit() 进行训练:
聚类之后,有很多参数,比较重要的,以及此处需要用到的主要有俩:
聚类完成之后,需要将每个像素点重新填色,将同一类的像素点均填为此类聚类中心的颜色。
在此之前,首先需要得到图片的高度和宽度:
首先用 image.new() 重新创建一个图片,其语法如下:
然后需要用 putpixel() 方法来填充像素,但是在此之前,还需要处理几个小细节:
RGB图中,每个通道都是 0-255 之间的整数,但是, kmeans.cluster_centers_ 中元素类型却是 float64 ,故在填充之前,还需要小小处理一番,将元素变为 int32 类型的。
直接转变类型不太合适,因为 kmeans.cluster_centers_ 毕竟是类似于一个属性值的东西,而且这个名字太长,换一个简短的也是好的。故重新复制一份再使用 astype 更改数据类型即可。
上面便提到, kmeans.labels_ 是一个一维数组,但是图片是二维的,所以将其恢复过来即可:
然后便可以 填充像素 了:
这里需要注意 putpixel() 方法,其的两个参数:
最后保存图片即可:
我使用了王者荣耀大乔的图片来做测试:
聚类--K均值算法:自主实现与sklearn.cluster.KMeans调用
1.用python实现K均值算法
K-means是一个反复迭代的过程,算法分为四个步骤:
(x,k,y)
1) 选取数据空间中的K个对象作为初始中心,每个对象代表一个聚类中心;
def initcenter(x, k): kc
2) 对于样本中的数据对象,根据它们与这些聚类中心的欧氏距离,按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类;
def nearest(kc, x[i]): j
def xclassify(x, y, kc):y[i]=j
3) 更新聚类中心:将每个类别中所有对象所对应的均值作为该类别的聚类中心,计算目标函数的值;
def kcmean(x, y, kc, k):
4) 判断聚类中心和目标函数的值是否发生改变,若不变,则输出结果,若改变,则返回2)。
while flag:
y = xclassify(x, y, kc)
kc, flag = kcmean(x, y, kc, k)
2. 鸢尾花花瓣长度数据做聚类并用散点图显示。
3. 用sklearn.cluster.KMeans,鸢尾花花瓣长度数据做聚类并用散点图显示.
4. 鸢尾花完整数据做聚类并用散点图显示.
#1.用python实现K均值算法 #K-means是一个反复迭代的过程,算法分为四个步骤: import numpy as np x = np.random.randint(1,50,[20,1]) y = np.zeros(20) k = 3 #1) 选取数据空间中的K个对象作为初始中心,每个对象代表一个聚类中心; def initcenter(x,k): return x[:k] #2) 对于样本中的数据对象,根据它们与这些聚类中心的欧氏距离,按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类; def nearest(kc,i): d = abs(kc -i) w = np.where(d == np.min(d)) return w[0][0] def xclassify(x, y, kc): for i in range(x.shape[0]): y[i] = nearest(kc, x[i]) return y kc = initcenter(x,k) y = xclassify(x,y,kc) print(kc,y) #3) 更新聚类中心:将每个类别中所有对象所对应的均值作为该类别的聚类中心,计算目标函数的值; def kcmean(x,y,kc,k): l = list(kc) flag = False for c in range(k): m = np.where(y ==0) n = np.mean(x[m]) if l[c] != n: l[c] = n flag = True print(l,flag) return (np.array(l),flag) #4) 判断聚类中心和目标函数的值是否发生改变,若不变,则输出结果,若改变,则返回2) kc = initcenter(x,k) flag = True print(x,y,kc,flag) while flag: y = xclassify(x,y,kc) kc,flag = kcmean(x,y,kc,k) print(y,kc)
#2. 鸢尾花花瓣长度数据做聚类并用散点图显示 import numpy as np from sklearn.datasets import load_iris iris = load_iris() x = iris.data[:, 1] y = np.zeros(150) def initcent(x, k): # 初始聚类中心数组 return x[0:k].reshape(k) def nearest(kc, i): # 数组中的值,与聚类中心最小距离所在类别的索引号 d = (abs(kc - i)) w = np.where(d == np.min(d)) return w[0][0] def kcmean(x, y, kc, k): # 计算各聚类新均值 l = list(kc) flag = False for c in range(k): m = np.where(y == c) n = np.mean(x[m]) if l[c] != n: l[c] = n flag = True # 聚类中心发生变化 return (np.array(l), flag) def xclassify(x, y, kc): for i in range(x.shape[0]): # 对数组的每个值分类 y[i] = nearest(kc, x[i]) return y k = 3 kc = initcent(x, k) flag = True print(x, y, kc, flag) while flag: y = xclassify(x, y, kc) kc, flag = kcmean(x, y, kc, k) print(y, kc, type(kc)) import matplotlib.pyplot as plt plt.scatter(x,x,c=y,s=50,cmap=‘rainbow‘,marker=‘p‘,alpha=0.5) plt.show()
#3.用sklearn.cluster.KMeans,鸢尾花完整数据做聚类并用散点图显示. import matplotlib.pyplot as plt import numpy as np from sklearn.datasets import load_iris iris=load_iris() print(iris) X=iris.data print(X) from sklearn.cluster import KMeans est = KMeans(n_clusters=3) est.fit(X) kc = est.cluster_centers_ y_kmeans = est.predict(X) #预测每个样本的聚类索引 print(y_kmeans,kc) print(kc.shape,y_kmeans.shape) plt.scatter(X[:,0],X[:,1],c=y_kmeans,s=50,cmap=‘rainbow‘) plt.show()
#4. 鸢尾花完整数据做聚类并用散点图显示. from sklearn.cluster import KMeans import numpy as np from sklearn.datasets import load_iris import matplotlib.pyplot as plt data = load_iris() iris = data.data petal_len = iris print(petal_len) k_means = KMeans(n_clusters=3) #三个聚类中心 result = k_means.fit(petal_len) #Kmeans自动分类 kc = result.cluster_centers_ #自动分类后的聚类中心 y_means = k_means.predict(petal_len) #预测Y值 plt.scatter(petal_len[:,0],petal_len[:,2],c=y_means, marker=‘p‘,cmap=‘rainbow‘) plt.show()
以上是关于使用 sklearn 库中的 KMeans 实现彩色图像聚类分割的主要内容,如果未能解决你的问题,请参考以下文章
聚类--K均值算法:自主实现与sklearn.cluster.KMeans调用
聚类--K均值算法:自主实现与sklearn.cluster.KMeans调用
聚类--K均值算法:自主实现与sklearn.cluster.KMeans调用
聚类--K均值算法:自主实现与sklearn.cluster.KMeans调用