机器学习入门与Python实战（八）：K均值聚类KMeans

目录

现实问题思考：数据分类与聚类

K均值聚类

核心流程

K均值聚类 (KMeans) VS K近邻分类 (KNN)

K均值聚类实现图像分割

知识巩固

Python实战：KMeans实现图像分割

拓展学习

---

现实问题思考：数据分类与聚类

没有标签的情况下实现聚类的一个思路：给出中心点，根据数据到中心点距离判断类别

K均值聚类

在样本数据空间中选取K个点作为中心，计算每个样本到各中心的距离，根据距离确定数据类别，是聚类算法中最为基础但也最为重要的算法。

中心点会根据类别内样本数据分布进行更新

核心流程

核心流程：

1、基于要求、观察或经验确定聚类的个数k

2、确定k个中心

3、计算样本到各中心点距离

4、根据距离确定各个样本点所属类别

5、计算同类别样本的中心点，并将其设定为新的中心

6、重复步骤3-5直到收敛（中心点不再变化）

K均值聚类 (KMeans) VS K近邻分类 (KNN)

K均值聚类实现图像分割

图像分割就是把图像分成若干个特定的、具有独特性质的区域的技术，是由图像处理到图像分析的关键步骤。

不得不面对的问题：

阈值如何确定？需要确定几个阈值？只用阈值是否会遗漏其他重要信息？

K均值聚类帮你快速实现图像分割！

知识巩固

思考：三张分割图哪张k值最大，哪张最小？观察并思考其差异及原因。

Python实战：KMeans实现图像分割

基础环境： Python语言；安装核心工具包numpy、pandas、sklearn、matplotlib；环境管理软件Anaconda；Jupyter notebook

环境配置参考：机器学习入门与Python实战核心工具篇：pip源、python、anaconda、工具包（完整版）https://blog.csdn.net/dfly_zx/article/details/110188923

任务：加载本地图像1.jpg，建立Kmeans模型实现图像分割。

1、实现图像加载、可视化、维度转化，完成数据的预处理；

2、K=3建立Kmeans模型，实现图像数据聚类；

3、对聚类结果进行数据处理，展示分割后的图像；

4、尝试其他的K值（K=4、8)，对比分割效果，并思考导致结果不同的原因；

5、使用新的图片，对其实现图像分割

#图像的加载与展示
import numpy as np
import matplotlib.pyplot as plt
from skimage import io as io
img = io.imread('1.jpg')
plt.imshow(img)

#查看数据结果与维度
print(type(img))
print(img.shape)

#查看数据内容
print(img)

#维度存储
img_width = img.shape[1]
img_height = img.shape[0]
print(img_width,img_height)

#数据维度转化
img_data = img.reshape(-1,3)
print(img.shape,img_data.shape)
print(img_data)

#X赋值
X = img_data

#模型建立与训练
from sklearn.cluster import KMeans
model = KMeans(n_clusters=3,random_state=0)
model.fit(X)

#聚类结果预测
label = model.predict(X)
print(label)
import pandas as pd
print(pd.value_counts(label))

#结果数据的维度转化
label = label.reshape([img_height,img_width])
print(label)
print(label.shape)

#后续的灰度处理
label = 1/(label+1)
print(label)

#结果的可视化
plt.imshow(label)

#图像存储到本地
io.imsave('result_k3.png',label)

model = KMeans(n_clusters=4,random_state=0)
model.fit(X)
label = model.predict(X)
#结果数据的维度转化
label = label.reshape([img_height,img_width])
#后续的灰度处理
label = 1/(label+1)
#结果的可视化
plt.imshow(label)
#图像存储到本地
io.imsave('result_k4.png',label)

model = KMeans(n_clusters=8,random_state=0)
model.fit(X)
label = model.predict(X)
#结果数据的维度转化
label = label.reshape([img_height,img_width])
#后续的灰度处理
label = 1/(label+1)
#结果的可视化
plt.imshow(label)
#图像存储到本地
io.imsave('result_k8.png',label)

KMeans实现图像分割实战summary：

1、使用skimage模块，实现了图像的加载、可视化，并完成数据预处理；
2、通过建立KMeans模型，实现了图像数据的聚类；
3、对图像聚类结果进行后续处理后，完成了图像分割，并将结果可视化；
4、尝试增大K值，观察发现随着K值增大分割后的图像将展现更多的细节信息

核心算法参考链接：https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html

---

拓展学习

如果现在就想开始学习机器学习，你还可以：

1、添加微信：ai_flare，领取Python编程课（AI方向）、Python实现机器学习，免费领取（仅限前100名）

2、人工智能学习路线：专为AI小白设计的人工智能实战课 - Python3入门人工智能 基础+实战 学习视频教程-CSDN学院