sklearn中的KMeans实现对图像的简单的分割-各个代码的详解和分析

实验目的

• 目标︰利用K-means聚类算法对图像像素点颜色进行聚类实现简单的图像分割
• 输出∶同一聚类中的点使用相同颜色标记，不同聚类颜色不同

函数详解

获取图片的函数

def loadData(filePath):
    data = []
    img = image.open(f)
    m,n = img.size
    for i in range(m):
        for j in range(n):
            x,y,z = img.getpixel((i,j))
            data.append([x/256.0,y/256.0,z/256.0])
    return  np.mat(data),m,n

• image是PIL的Image类，调用open方法打开对应路径的文件，生成为image的对象
  • 关于PIL，有一个微博写的不错传送
• getpixel（（x,y））：图片读进来是一个二维矩阵，每一个点是三个值（R,G,B）
• image对象的size属性：返回的是一个元组，像素构成的矩阵的长宽，（width，height）

具体的图像处理

label = KMeans(n_clusters=4).fit_predict(imgData)

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("result-bull-4.jpg","JPEG")

• KMeans(n_clusters=4).fit_predict(imgData):
  • fit_predict():计算每一个簇的中心并预测每一个点的是属于哪个簇的，返回的与输入数组相同大小的labels数组，标记了每一个数据所属的簇
• label = label.reshape([row,col])：将由标记组成的数组进行的变形和转换，形成和原图一样大小的数组
• pic_new = image.new(“L”,(row,col))：根据给定的大小和模式，创建的一个新的图片
  * PIL.Image.new(mode,size,color):size是对应的一个二维的元组，指定图片的大小
  * mode：这里是指定对应每一个像素点是8个位，0到255之间
  
• pic_new.putpixel((i,j),int(256/(label[i][j]+1)))：将生成的新的像素点放到新生成的矩阵中
  • PIL.Image.eval(image, *args)：后续为一个整数
  • int(256/(label[i][j]+1)))：将的之转变为的对应的不同的灰度值的图片，防止除数为零，就标记上在加+

最终实现的代码

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

def loadData(filePath):
    data = []
    img = image.open(filePath)
    m,n = img.size
    for i in range(m):
        for j in range(n):
            x,y,z = img.getpixel((i,j))
            data.append([x/256.0,y/256.0,z/256.0])

    return  np.mat(data),m,n

imgData,row,col = loadData('bull.jpg')
label = KMeans(n_clusters=4).fit_predict(imgData)

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("result-bull-4.jpg","JPEG")