K-Means聚类图像分割

1.    图像分割：
   1. 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。
   2. 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。
2. 实例
   1. 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。
   2. 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

   3.