图像分割 - KMeans 实现 - 努力的孔子

图像分割是一种图像处理方法， 它是指将一副图像分割成若干个互不相交的区域；

图像分割实质就是像素的聚类；

 

图像分割可以分为两类：基于边缘的分割，基于区域的分割，

聚类就是基于区域的分割；

 

KMeans 实现图像分割

KMeans 分割图像实质上是对像素的聚类，每个类有个代表像素，把原始像素替换成该类别对应的代表像素即完成分割；

每个类别对应一个分割区域，每个区域是个单通道图；

 

示例 

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

### 原始像素
img = Image.open(\'e://55.jpg\')
print(img.size)
np_img = np.array(img)
print(np_img)
print(np_img.shape)

### 聚类的数据预处理
np_flatten = np_img.flatten()       ### 拉成一维
np_flatten = np_flatten[:, np.newaxis]      ### kmeans 要求 二维
np_flatten_std = np_flatten / 256.  ### 归一化
# print(np_flatten_std)

### 聚类 所有像素点
km = KMeans(n_clusters=3, random_state=0).fit(np_flatten_std)
print(km.labels_)
print(km.cluster_centers_)

reshape_label = np.reshape(km.labels_, np_img.shape)
centers = km.cluster_centers_

### 新建图像以查看分割效果
img1 = Image.new(\'L\', img.size, color=255)      ### 分割区域1
img1.show()
img2 = Image.new(\'L\', img.size, color=255)      ### 分割区域2
img3 = Image.new(\'L\', img.size, color=255)      ### 分割区域3
img4_np = np.zeros(np_img.shape)                ### 分割区域的合成

x, y ,z = np_img.shape
for yv in range(y):
    for xv in range(x):
        ### 把 类别对应的代表像素 添加到图像中的对应位置
        img1.putpixel((yv, xv), int(centers[reshape_label[xv, yv, 0]] * 256.))
        img2.putpixel((yv, xv), int(centers[reshape_label[xv, yv, 1]] * 256.))
        img3.putpixel((yv, xv), int(centers[reshape_label[xv, yv, 2]] * 256.))
        img4_np[xv, yv, 0] = int(centers[reshape_label[xv, yv, 0]] * 256.)
        img4_np[xv, yv, 1] = int(centers[reshape_label[xv, yv, 1]] * 256.)
        img4_np[xv, yv, 2] = int(centers[reshape_label[xv, yv, 2]] * 256.)
print(img4_np)
print(img4_np.shape)

### 显示
# img1.show()
# img2.show()
# img3.show()

### 保存
img1.save(\'img1.png\')
img2.save(\'img2.png\')
img3.save(\'img3.png\')
img4 = Image.fromarray(img4_np.astype(np.uint8))        ### L (8-bit pixels, black and white)
img4.save(\'img4.png\')

 

下面依次为：原图、区域1、区域2、区域3、分割后的合成图

 

 

 

 

 

参考资料：

https://blog.csdn.net/xxuffei/article/details/90180408