1.5：基于聚类的“图像分割”实例编写

Posted 2021-03-11 nishida-rin

把像素扔进K-Means函数里，然后给像素添加不同的灰度并输出。

 

图像分割常用方法：

1. 阈值分割：对图像灰度值进行度量，设置不同类别的阈值，达到分割的目的。

2. 边缘分割：对图像边缘进行检测，即检测图像中灰度值发生跳变的地方，则为一片

区域的边缘。

3. 直方图法：对图像的颜色建立直方图，而直方图的波峰波谷能够表示一块区域的颜

色值的范围，来达到分割的目的。

4. 特定理论：基于聚类分析、小波变换等理论完成图像分割。

 

 

实例描述

目标：

利用K-means聚类算法对图像像素点颜色进行聚类实现简单的图像分割

输出：

同一聚类中的点使用相同颜色标记，不同聚类颜色不同

技术路线：sklearn.cluster.KMeans

 

实验过程

使用算法：Kmeans

实现步骤：

1.建立工程并导入sklearn包

2.加载图片并进行预处理

3.加载Kmeans聚类算法

4.对像素点进行聚类并输出

关于一些相关包的介绍：

• PIL包：因为本实验涉及图像的加载和创建，因此需要使用到PIL包，如未安装，请下载相关包自行安装。

 1 import numpy as np
 2 import PIL.Image as image
 3 from sklearn.cluster import KMeans
 4  
 5 def loadData(filePath):
 6     f = open(filePath,‘rb‘)
 7     data = []
 8     img = image.open(f)
 9     m,n = img.size
10     for i in range(m):
11         for j in range(n):
12             x,y,z = img.getpixel((i,j))
13             data.append([x/256.0,y/256.0,z/256.0])
14     f.close()
15     return np.mat(data),m,n
16  
17 imgData,row,col = loadData(‘kmeans/bull.jpg‘)
18 label = KMeans(n_clusters=4).fit_predict(imgData)
19  
20 label = label.reshape([row,col])
21 pic_new = image.new("L", (row, col))
22 for i in range(row):
23     for j in range(col):
24         pic_new.putpixel((i,j), int(256/(label[i][j]+1)))
25 pic_new.save("result-bull-4.jpg", "JPEG")