python基于K-means聚类算法的图像分割
- 格式：pdf
- 大小：77.81 KB
- 文档页数：2
python基于K-means聚类算法的图像分割
1 K-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
1. 随机选取聚类中⼼
2. 根据当前聚类中⼼，利⽤选定的度量⽅式，分类所有样本点
3. 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
4. 计算下⼀次迭代的聚类中⼼与当前聚类中⼼的差距
5. 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。
2.1 Code
导⼊必要的包
import numpy as np
import random
损失函数
def loss_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）
:param present_center: 当前聚类中⼼
:param pre_center: 上⼀次聚类中⼼
:return: 损失值
'''
present_center = np.array(present_center)
pre_center = np.array(pre_center)
return np.sum((present_center - pre_center)**2)
分类器
def classifer(intput_signal, center):
'''
分类器（通过当前的聚类中⼼，给输⼊图像分类）
:param intput_signal: 输⼊图像
:param center: 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
for i in range(input_row):
for j in range(input_col):
# 计算每个像素与所有聚类中⼼的差平⽅
for k in range(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 = []
return pixls_labels基于k-means算法的图像分割
def k_means(input_signal, center_num, threshold):
'''
基于k-means算法的图像分割（适⽤于灰度图）
:param input_signal: 输⼊图像
:param center_num: 聚类中⼼数⽬
:param threshold: 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 = [i for i in range(input_row)]
random.shuffle(initial_center_row_num)
initial_center_row_num = initial_center_row_num[:center_num]
initial_center_col_num = [i for i in range(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 = []
for i in range(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
while True:
pre_centet = present_center.copy() # 储存前⼀次的聚类中⼼
# 计算当前聚类中⼼
for n in range(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
if loss <= threshold:
break
return pixls_labels
3 分类效果
聚类中⼼个数=3，迭代阈值为=1
聚类中⼼个数=3，迭代阈值为=1
4 GitHub
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。
