K-Means聚类图像分割
- 图像分割:
- 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研究。
- 常用方法:
阈值分割:对图像进行度量,设置不同类别的阈值,达到分割目的。
边缘分割:对图像边缘进行检测,即即检测图像中灰度值放生跳变的地方,则为一片区域的边缘。
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的范围,来达到分割目的。
特定理论:基于聚类分析,小波变换的理论完成图像分割。
- 实例
- 目标:利用KMeans聚类算法对图像像素颜色进行聚类,实现分割。输出:同一聚类中的点使用同一颜色标记,不同聚类颜色不同。
- 代码:
import numpy as np import PIL.Image as image from sklearn.cluster import KMeansdef loadData(filePath):f=open(filePath,'rb')data=[]img=image.open(f)m,n=img.size;print(m,n)for i in range(m):for j in range(n):x,y,z=img.getpixel((i,j))#print(z,y,z)data.append([x/256.0,y/256.0,z/256.0])f.close()return np.mat(data),m,nimgData,row,col=loadData("E:\\python\small_split.jpg") km=KMeans(n_clusters=3)label=km.fit_predict(imgData) label=label.reshape([row,col])pic=image.new("L",(row,col)) for i in range(row):for j in range(col):pic.putpixel((i,j),int(256/(label[i][j]+1))) pic.save("splited.jpg","JPEG")'''实验分析:通过设置k的值,可以得到不同结果,同时由于k的不确定,也可能得不到预期结果。 '''
前为结果,后面为原图