基于K-means聚類算法的圖像分割

圖像分割：利用圖像的灰度、顏色、紋理、形狀等特征，把圖像分成若干個互不重疊的區(qū)域，并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)相似性，在不同的區(qū)域之間存在明顯的差異性。然后就可以將分割的圖像中具有獨(dú)特性質(zhì)的區(qū)域提取出來用于不同的研究。

1. 應(yīng)用

• 在機(jī)車檢驗領(lǐng)域，可以應(yīng)用到輪轂裂紋圖像的分割，及時發(fā)現(xiàn)裂紋，保證行車安全。

• 在生物醫(yī)學(xué)工程方面，對肝臟CT圖像進(jìn)行分割，為臨床治療和病理學(xué)研究提供幫助。

2. 圖像分割常用方法

• 閾值分割：對圖像灰度值進(jìn)行度量，設(shè)置不同類別的閾值，達(dá)到分割的目的。

• 邊緣分割：對圖像邊緣進(jìn)行檢測，即檢測圖像中灰度值發(fā)生跳變的地方，則為一片區(qū)域的邊緣。

• 直方圖法：對圖像的顏色建立直方圖，而直方圖的波峰波谷能夠表示一塊區(qū)域的顏色值的范圍，來達(dá)到分割的目的。

• 特定理論：基于聚類分析、小波變換等理論完成圖像分割。

3. 實例描述

• 目標(biāo)：利用K-means聚類算法對圖像像素點(diǎn)顏色進(jìn)行聚類。

• 輸出：同一聚類中的點(diǎn)使用相同顏色標(biāo)記，不同聚類顏色不同。

• 導(dǎo)入Python模塊：from sklearn.cluster import KMeans

• 實例數(shù)據(jù)：本實例中的數(shù)據(jù)可以是任意大小的圖片，為了使效果更佳直觀，可以采用區(qū)分度比較明顯的圖片。

4. 實驗過程

• [ Step1 ] 建立工程并導(dǎo)入sklearn包

• [ Step2 ] 加載圖片并進(jìn)行預(yù)處理

• [ Step3 ] 加載K-means聚類算法

• [ Step4 ] 對像素點(diǎn)進(jìn)行聚類并輸出

PIL包: 因為本實驗涉及圖像的加載和創(chuàng)建，因此需要使用到 PIL 包。

Step1: 建立工程并導(dǎo)入sklearn包：

• 創(chuàng)建Kmeans.py文件

• 導(dǎo)入sklearn相關(guān)包

import numpy as np
from PIL import Image  #加載PIL包，用于加載創(chuàng)建圖片
from sklearn.cluster import KMeans  #加載Kmeans算法
import matplotlib.pyplot as plt  #繪制圖像

Step2: 加載圖片并進(jìn)行預(yù)處理：

• 加載訓(xùn)練數(shù)據(jù)

def loadData(filePath):
    f = open(filePath, 'rb') #以二進(jìn)制形式打開文件
    data = []
    img = Image.open(f)  #以列表的形式返回圖片像素值
    m, n = img.size   #獲取圖片的大小
    for i in range(m):  #將每個像素點(diǎn)的RGB顏色處理到0-1
        for j in range(n):
            x,y,z = img.getpixel((i,j))
            data.append([x/256.0, y/256.0, z/256.0]) #范圍內(nèi)并存入data
    f.close()
    return np.mat(data), m, n #以矩陣的形式返回data，以及圖片大小

Step3: 加載K-means聚類算法：

• 選取聚類中心個數(shù)

#加載Kmeans聚類算法
km = KMeans(n_clusters= 3) #其中n clusters屬性指定了聚類中心的個數(shù)為3

Step4: 對像素點(diǎn)進(jìn)行聚類并輸出：

• 對像素點(diǎn)進(jìn)行聚類并輸出心依據(jù)聚類中心，對屬于同一聚類的點(diǎn)使用同樣的顏色進(jìn)行標(biāo)記。

#聚類獲取每個像素所屬的類別
label = km.fit_predict(imgData)
label = label.reshape([row, col])
#創(chuàng)建一張新的灰度圖保存聚類后的結(jié)果
pic_new = Image.new('L', (row, col))
#根據(jù)所屬類別向圖片中添加灰度值
# 最終利用聚類中心點(diǎn)的RGB值替換原圖中每一個像素點(diǎn)的值，便得到了最終的分割后的圖片
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i, j), int(256 / (label[i][j] + 1)))
#以JPEG格式保存圖片
pic_new.save("result_demo1.jpg","JPEG")
plt.imshow(pic_new)
plt.show()

5. 用例數(shù)據(jù)及展示結(jié)果

6.K-means聚類算法-程序代碼

# -*- coding: utf-8 -*-
# @Time    : 2020/3/31 21:27
# @Author  : Zudy
# @FileName: course1.py
'''
1.進(jìn)行圖像中顏色的分類（K-means聚類算法對圖像像素點(diǎn)顏色進(jìn)行聚類實現(xiàn)間的圖像分割）
'''
import numpy as np
from PIL import Image
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
def loadData(filePath):
    f = open(filePath, 'rb') #以二進(jìn)制形式打開文件
    data = []
    img = Image.open(f)  #以列表的形式返回圖片像素值
    m, n = img.size   #獲取圖片的大小
for i in range(m):  #將每個像素點(diǎn)的RGB顏色處理到0-1
for j in range(n):
            x,y,z = img.getpixel((i,j))
            data.append([x/256.0, y/256.0, z/256.0]) #范圍內(nèi)并存入data
    f.close()
return np.mat(data), m, n #以矩陣的形式返回data，以及圖片大小
path='./基于聚類的整圖分割/demo1.jpg'
imgData, row, col = loadData(filePath= path)
print(imgData)
print(row)
print(col)
#加載Kmeans聚類算法
km = KMeans(n_clusters= 3)
#聚類獲取每個像素所屬的類別
label = km.fit_predict(imgData)
label = label.reshape([row, col])
#創(chuàng)建一張新的灰度圖保存聚類后的結(jié)果
pic_new = Image.new('L', (row, col))
#根據(jù)所屬類別向圖片中添加灰度值
# 最終利用聚類中心點(diǎn)的RGB值替換原圖中每一個像素點(diǎn)的值，便得到了最終的分割后的圖片
for i in range(row):
for j in range(col):
        pic_new.putpixel((i, j), int(256 / (label[i][j] + 1)))
#以JPEG格式保存圖片
pic_new.save("result_demo1.jpg","JPEG")
plt.imshow(pic_new)
plt.show()

實驗分析

通過設(shè)置不同的k值，能夠得到不同的聚類結(jié)果。同時，k值的不確定也是Kmeans算法的一個缺點(diǎn)。往往為了達(dá)到好的實驗結(jié)果，需要進(jìn)行多次嘗試才能夠選取最優(yōu)的k值。