K平均クラスタリングに基づく画像分割法

「『』 関数kmeansは、」 『画像分割を実現するために、』
 インポートのNPとしてnumpyの
 インポートイメージとしてPIL.Imageを
 から sklearn.clusterのインポート関数kmeansは、
 ＃はloadDatoは私のイメージ解決するために定義する
デフloaddataの（filePathにする）：
     F =オープン（filePathに、「RB '）＃のバイナリとの契約 
     データ= [] 
     IMG = image.open（F）＃1 画素への復帰（像素值） 
     M、N = img.size ＃画像のサイズ
     のために I における範囲（M）
          のための J でレンジ（N）：
             X、Y、Z = img.getpixel（（i、j）は）
              ＃の範囲0-1のピクセルに対処し、データを保存 
             data.append（[X / 256.0、Y / 256.0、Z / 256.0 ]）
     f.close（）
     戻りnp.mat（データ）、M、N 
     
imgData、行、COL = loaddataの（" ./picture/apple.png " ）
 ＃設定clusersは（聚类中心）3であり、 
ラベル=関数kmeans （n_clusters = 3 ）.fit_predict（imgData）
＃各画素のラベルを取得 
ラベル= label.reshape（[行、列]）
＃K-手段の結果を保存するための新しいイメージを作成 
pic_new = image.new（" Lを」、（行、列））
＃ピクセルを追加するラベルに従って
ため I に範囲（行）
      のために、J における範囲（COL）：
         pic_new.putpixel（（i、j）は、INT（ 256 /（ラベル[ I] [J] +1 ）））
pic_new.save（" ./picture/km.jpg "、" JPEG "）

K平均アルゴリズム：

私たちはしばしば、K平均アルゴリズムが教師なし分類される（タグ情報のトレーニングサンプルが不明で、目標は固有の性質によるものであり、更なるデータのためのデータを明らかにする研究の非標識学習サンプルの法律は、分析のための基礎を提供する）ことを言いますそれはクラスタ中心が移動したり、差が閾値未満で移動していない場合に繰り返し、クラスタ中心を更新することにより、サンプル間の類似性のある程度の貫通方法の指標である、試料は、異なるカテゴリに分割されます。サンプルデータは、いくつかのサブセットに分割されて設定するクラスタリングの試みは、一般に互いに素である、各サブセットは、各クラスタは、潜在的なクラスの数に対応してもよく、この分割により、「クラスタ」と呼ばれます。

アルゴリズムのステップ：

ランダムに選択されたクラスタ中心
全てのサンプル点の現在のクラスタセンターによれば、選択されたメトリックを使用して、分類
クラスタ中心として次の反復、サンプル点の種類ごとに平均電流を計算します
現在のクラスタ中心及びクラスタ中心との間の隙間の計算の次の反復、ギャップが閾値反復、反復を終了未満である場合。

アルゴリズムの擬似コード：

ここで、Dは、サンプルセットは、クレードCに分割し得

画像分割実験：、画像のグレースケール、色、テクスチャ及び形状特徴を用いて、非重複複数の領域に画像を分割し、同じ領域に提示機能の類似性、異なる領域の間に有意な違い。エリア画像は、異なる研究のためのユニークな特性を抽出するセグメント化することができます。この実験では、我々はリンゴのクラスタ中心がn_clustersを設定します= 3、猫のクラスタ中心が2に設定されています

1、実験手順