K-Means算法及图像分割实战（sklearn）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Nicht_sehen/article/details/89156215

定义：

k-平均算法（英文：k-means clustering）源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。k-平均聚类的目的是：把 n个点（可以是样本的一次观察或一个实例）划分到k个聚类中，使得每个点都属于离他最近的均值（此即聚类中心）对应的聚类，以之作为聚类的标准。这个问题将归结为一个把数据空间划分为Voronoi cells的问题。
---------摘自维基百科

算法步骤：

1. 初始化常数K，随机选取质心
2. 计算样本与每个质心之间的相似度，将样本归类到最相似的类中
3. 重新计算质心
4. 重复23，直到质心不变
5. 输出最终的质心以及每个类

算法的数学解释：

图像分割实战：

代码：

from sklearn.cluster import KMeans
import PIL.Image as image
from PIL import ImageFilter
import numpy as np

img = image.open('C:/Users/Nicht_sehen/Desktop/123.jpg')
row,col = img.size

img = img.convert('RGB') # 转RGB 否则会出现int不可以迭代的错误
print(row,col)
data = []

for x in range(row):
        for y in range(col):
            r,g,b = img.getpixel((x,y))
            data.append([r/256.0,g/256.0,b/256.0])

Data = np.mat(data)

label = KMeans(n_clusters=3).fit_predict(Data)
label = label.reshape([row,col])
pic_new = image.new("L", (row, col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j), int(256/(label[i][j]+1)))
        


pic_new.save("C:/Users/Nicht_sehen/Desktop/4.jpg", "JPEG")

效果：

总结：

Kmeans是一种聚类算法，用在图像分割里可以很好的对不同颜色进行聚类，但是对于某物体上有不同颜色的图片来说分割效果就不是很好(我的目的是把物体整个切下),如下图：