======准备工作======

原图像路径

imPath = 'C:\Users\lp\Desktop\photo.jpg'

读取图像

origin = cv2.imread(imPath)

将图像转换为灰度图像

origin = cv2.cvtColor(origin, cv2.COLOR_BGR2GRAY)

图像大小信息

h, w = origin.shape
print("原始图像大小为：{}*{}".format(h, w))

设置缩放系数，系数越大缩放程度越强

alpha = int(input("\n请输入缩放系数： "))

图像缩放

newH = int(h / alpha)
newW = int(w / alpha)
print("\n缩放后图像大小 : {}*{}".format(newH, newW))
origin = cv2.resize(origin, (newW, newH))

设置分为几类

numOfClass = int(input("\n色彩分类数： "))

设置最大迭代次数

roundForLoop = int(input("\n定义最大迭代次数： "))
print()

======进行聚类======

print("————开始聚类————")

以等分最大与最小区间来初始化numOfClass个中心点

valueArange = origin.max() - origin.min()
keyValueList = [] # 用来存储numOfClass个中心点的值

for i in range(1, numOfClass + 1):
keyValueList.append(valueArange / numOfClass * i / 2)

聚类更新keyValueList

flagMatrix = np.zeros((newH, newW))

for r in range(roundForLoop):

for row in range(newH):

    for col in range(newW):

        temp = []

        for i in range(numOfClass):
            temp.append(np.abs(origin[row, col] - keyValueList[i]))

        # 获得该像素点最近的类
        index = temp.index(min(temp))
        # 存入flag矩阵
        flagMatrix[row, col] = index

# 更新keyValueList
temp = np.zeros(numOfClass)
ct = np.zeros(numOfClass)

for row in range(newH):

    for col in range(newW):
        temp[int(flagMatrix[row, col])] += origin[row, col]
        ct[int(flagMatrix[row, col])] += 1

for i in range(numOfClass):
    keyValueList[i] = temp[i] / ct[i]

print("完成 ： {} / {}".format(r + 1, roundForLoop))

显示缩放后的待处理图像

plt.subplot(121)
plt.imshow(origin)
plt.title("Origin Image")

显示聚类结果

plt.subplot(122)
plt.imshow(flagMatrix)
plt.title("Result1 Image\nRound = {}\nclass = {}".format(roundForLoop, numOfClass))
plt.show()

迭代过程：
1、聚类的迭代过程就是遍历每个像素点，并且将每个像素点分别与keyValueList的每个元素做差，这个差的绝对值越小，说明该像素点离该类越近。遂将该元素归到离其最近的类。
2、遍历完所有的像素点后，对每一类的像素点求其平均值，并以该值更新对应的keyValueList中的元素，并完成一轮迭代。keyValueList为一个长度为分类数的存储空间，其元素从低到高代表了图像像素各个类的平均值。
3、最终会获得一个与原图大小相同的flag矩阵，矩阵的每个元素对应原图中像素所在类别。
4、将该flag矩阵输出，则得到聚类得到的分类结果。

图像聚类的python实现