python基于K-means聚类算法的图像分割
1K-means算法
实际上，无论是从算法思想，还是具体实现上，K-means算法是一种很简单的算法。它属于无监督分类，通过按照一定的方式度量样本之间的相似度，通过迭代更新聚类中心，当聚类中心不再移动或移动差值小于阈值时，则就样本分为不同的类别。
1.1算法思路
- 随机选取聚类中心
- 根据当前聚类中心，利用选定的度量方式，分类所有样本点
- 计算当前每一类的样本点的均值，作为下一次迭代的聚类中心
- 计算下一次迭代的聚类中心与当前聚类中心的差距
- 如4中的差距小于给定迭代阈值时，迭代结束。反之，至2继续下一次迭代
1.2度量方式
根据聚类中心，将所有样本点分为最相似的类别。这需要一个有效的盘踞，平方差是最常用的度量方式，如下
2应用于图像分割
我们知道：无论是灰度图还是RGB彩色图，实际上都是存有灰度值的矩阵，所以，图像的数据格式决定了在图像分割方向上，使用K-means聚类算法是十分容易也十分具体的。
2.1Code
导入必要的包
importnumpyasnp importrandom
损失函数
defloss_function(present_center,pre_center): ''' 损失函数，计算上一次与当前聚类中的差异（像素差的平方和） :parampresent_center:当前聚类中心 :parampre_center:上一次聚类中心 :return:损失值 ''' present_center=np.array(present_center) pre_center=np.array(pre_center) returnnp.sum((present_center-pre_center)**2)
分类器
defclassifer(intput_signal,center): ''' 分类器（通过当前的聚类中心，给输入图像分类） :paramintput_signal:输入图像 :paramcenter:聚类中心 :return:标签矩阵 ''' input_row,input_col=intput_signal.shape#输入图像的尺寸 pixls_labels=np.zeros((input_row,input_col))#储存所有像素标签 pixl_distance_t=[]#单个元素与所有聚类中心的距离，临时用 foriinrange(input_row): forjinrange(input_col): #计算每个像素与所有聚类中心的差平方 forkinrange(len(center)): distance_t=np.sum(abs((intput_signal[i,j]).astype(int)-center[k].astype(int))**2) pixl_distance_t.append(distance_t) #差异最小则为该类 pixls_labels[i,j]=int(pixl_distance_t.index(min(pixl_distance_t))) #清空该list，为下一个像素点做准备 pixl_distance_t=[] returnpixls_labels
基于k-means算法的图像分割
defk_means(input_signal,center_num,threshold):
'''
基于k-means算法的图像分割（适用于灰度图）
:paraminput_signal:输入图像
:paramcenter_num:聚类中心数目
:paramthreshold:迭代阈值
:return:
'''
input_signal_cp=np.copy(input_signal)#输入信号的副本
input_row,input_col=input_signal_cp.shape#输入图像的尺寸
pixls_labels=np.zeros((input_row,input_col))#储存所有像素标签
#随机初始聚类中心行标与列标
initial_center_row_num=[iforiinrange(input_row)]
random.shuffle(initial_center_row_num)
initial_center_row_num=initial_center_row_num[:center_num]
initial_center_col_num=[iforiinrange(input_col)]
random.shuffle(initial_center_col_num)
initial_center_col_num=initial_center_col_num[:center_num]
#当前的聚类中心
present_center=[]
foriinrange(center_num):
present_center.append(input_signal_cp[initial_center_row_num[i],initial_center_row_num[i]])
pixls_labels=classifer(input_signal_cp,present_center)
num=0#用于记录迭代次数
whileTrue:
pre_centet=present_center.copy()#储存前一次的聚类中心
#计算当前聚类中心
forninrange(center_num):
temp=np.where(pixls_labels==n)
present_center[n]=sum(input_signal_cp[temp].astype(int))/len(input_signal_cp[temp])
#根据当前聚类中心分类
pixls_labels=classifer(input_signal_cp,present_center)
#计算上一次聚类中心与当前聚类中心的差异
loss=loss_function(present_center,pre_centet)
num=num+1
print("Step:"+str(num)+"Loss:"+str(loss))
#当损失小于迭代阈值时，结束迭代
ifloss<=threshold:
break
returnpixls_labels
3分类效果
4GitHub
clickme
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。