基于python3.7 numpy scipy matplotlib sklearn的机器学习笔记4_图像分割（KMeans）

图像分割：利用的灰度、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内呈现相似性不的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 出来用于不同的研究。
图像 分割技术已在实际生活中得到广泛的应用。例如：机车检验领域， 可以应用到轮毂裂纹图像的分割，及时发现保证行车安全；在生物医学工程方面，对肝脏 CT 图像进行分割，为临床治疗和病理学研究提供帮助。

图像分割常用方法：

本文数据

实验代码(opencv版本 、PIL版本)

import numpy as np
import PIL.Image as image
from sklearn.cluster import KMeans
import cv2 as cv
def loadData(filePath):
    f = open(filePath,'rb')
    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])
    f.close()
    return np.mat(data),m,n
     
imgData,row,col = loadData('C:/Users/Administrator/Desktop/CAT.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")

'''opencv版本'''
'''
def loadData(filePath):
    data = []
    img = cv.imread(filePath)
    print(img.shape)
    m,n=img.shape[:2]
    for i in range(m):
        for j in range(n):
            data.append([img[i,j][0]/256.0,img[i,j][1]/256.0,img[i,j][2]/256.0])
    d=np.array(data)
    return d,m,n

imgData,row,col=loadData('C:/Users/Administrator/Desktop/CAT.jpg')
label = KMeans(n_clusters=4).fit_predict(imgData)

label=label.reshape([row,col])
new_pic=np.zeros(shape=(row,col),dtype=np.uint8)
for i in range(row):
    for j in range(col):
        new_pic[i,j]=np.uint8(256/(label[i,j]+1))
cv.imshow("new_pic",new_pic)
'''

实验效果：（仅展示opencv版本）

 

--------------------------------------------------------------------------------------------------------------------参考mooc网课，北理工python机器学习应用课程