基于聚类的“图像分割”
昨天萌新使用的是PIL这个库，今天发现机器学习也可以这样玩。 
视频地址
图像分割：利用图像的灰度、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区域内呈现相似性，在不同的区 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。
实现步骤：
1.建立工程并导入sklearn包
2.加载图片并进行预处理
3.加载Kmeans聚类算法
4.对像素点进行聚类并输出
实验代码
import numpy as npimport PIL.Image as imagefrom sklearn.cluster import KMeansdef load_data(file_path): f = open(file_path,'rb') #二进制打开 data = [] img = image.open(f) #以列表形式返回图片像素值 m,n = img.size #活的图片大小 for i in range(m): for j in range(n): #将每个像素点RGB颜色处理到0-1范围内并存放data 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 #以矩阵型式返回data，图片大小img_data,row,col = load_data('1.jpg')label = KMeans(n_clusters=3).fit_predict(img_data) #聚类中心的个数为3label = label.reshape([row,col]) #聚类获得每个像素所属的类别pic_new = image.new("L",(row,col)) #创建一张新的灰度图保存聚类后的结果for i in range(row): #根据所属类别向图片中添加灰度值 for j in range(col): pic_new.putpixel((i,j),int(256/(label[i][j]+1)))pic_new.save('111.jpg') 实验结果
修改n_clusters的值会有不同结果
实验分析
通过设置不同的k值，能够得到不同的聚类结果。同时，k值的不确定也 是Kmeans算法的一个缺点。往往为了达到好的实验结果，需要进行多次尝 试才能够选取最优的k值。而像层次聚类的算法，就无需指定k值，只要给 定限制条件，就能自动地得到类别数k。
话说把女朋友P成这样会不会被骂
然而自己想太多