3.机器学习sklearn-----基于聚类的图像分割

1.概念介绍

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。

图像分割技术已在实际生活中得到广泛的应用。例如：在机车检验领域， 可以应用到轮毂裂纹图像的分割，及时发现裂纹，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。

2.常用方法

图像分割常用方法：

           1. 阈值分割：对图像灰度值进行度量，设置不同类别的阈值，达到分割的目的。 

           2. 边缘分割：对图像边缘进行检测，即检测图像中灰度值发生跳变的地方，则为一片 区域的边缘。

           3. 直方图法：对图像的颜色建立直方图，而直方图的波峰波谷能够表示一块区域的颜 色值的范围，来达到分割的目的。               4. 特定理论：基于聚类分析、小波变换等理论完成图像分割。

3.目标：利用K-means聚类算法对图像像素点颜色进行聚类实现简单的图像分割 

   输出：同一聚类中的点使用相同颜色标记，不同聚类颜色不同

4.数据：本实例中的数据可以是任意大 小的图片，为了使效果更佳直观， 可以采用区分度比较明显的图片。

5.算法过程

使用算法：Kmeans 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

import numpy as np
from PIL import Image as image
#加载PIL包，用于加载创建图片
from sklearn.cluster import  KMeans#加载Kmeans算法

def loadData(filePath):
    f = open(filePath,'rb') #以二进制形式打开文件
    data= []
    img =image.open(f)#以列表形式返回图片像素值
    m,n =img.size     #获得图片大小
    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
            x,y,z =img.getpixel((i,j))
            #将颜色值存入data内
            data.append([x/256.0,y/256.0,z/256.0])
    f.close()
    #以矩阵的形式返回data，以及图片大小
    return np.mat(data),m,n
imgData,row,col =loadData('bull.jpg')#加载数据

km=KMeans(n_clusters=3)
#聚类获得每个像素所属的类别
label =km.fit_predict(imgData)
label=label.reshape([row,col])
#创建一张新的灰度图以保存聚类后的结果
pic_new = image.new("L",(row,col))
#根据类别向图片中添加灰度值
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
#以JPEG格式保存图像
pic_new.save("result-bull-4.jpg","JPEG")

运行结果：