基于python实现K-均值算法与高斯混合模型及对应简单应用源码+项目说明+详细注释.zip

import numpy as np import matplotlib.pyplot as plt from PIL import Image ## 读取图片 img = np.array(Image.open("lena.png")) ##将图像读入并转换成numpy矩阵 print(img.shape) ## 打印图像矩阵的大小 ## 显示原始输入图像 plt.figure(figsize=(8,8)) plt.imshow(img) plt.title('Original Input Image') plt.axis('off') plt.show() ## 若没有这一步，将不会显示 fig = plt.figure("3-D Plot of the first row pixels") ax = plt.axes(projection='3d') for px in img[0]: ax.scatter3D(*px, c = np.array([px])/255) ax.set_xlabel("Red") ax.set_ylabel("Green") ax.set_zlabel("Blue") ax.dist = 11 plt.tight_layout() plt.show() ## 步骤一，随机初始化k个聚类中心 def initialization(img, k): """ Parameters: img - 输入图像 k - 初始聚类中心数量 Returns: init_mu: (k,3) - 随机初始的k个聚类中心 Tips: 可以从原图中随机采样k个像素点作为聚类中心; """ h, w, _ = img.shape np.random.seed(42) sample_idx = np.random.choice(h * w, size=k, replace=False) init_mu = img.reshape((-1, 3))[sample_idx].astype(np.float32) return init_mu ## 步骤二，完成k-means主体算法，迭代的为每个样本点分配聚类中心，更新聚类中心为其样本点的均值 def kmeans(img,k,iter_num): """ Parameters: img - 输入图像 k - 初始聚类中心数量 iter_num - k-means迭代次数 Returns: mu: (k,3) - 完成迭代后聚类中心 Tips: 参考教学ppt的k-means算法流程，有一点需要注意，对于这种样本点特别多的k-means聚类，很可能算法收敛到所有聚类簇都无须更新的时间较久。为此我们设置了一定的迭代轮数，让算法在完成这么多次迭代后自动结束; """ h, w = img.shape[:2] mu = initialization(img,k) for iter in range(iter_num): pass return mu ## 步骤三，将图像中的每个像素点替换为与其所属的聚类中心的值，进行压缩 def compression(img,k,mu): """ Parameters: img - 输入图像 k - 初始聚类中心数量 mu: (k,3) - k-means聚类获取的k个聚类中心 Returns: new_img - 压缩后的图像 Tips: 将原图的每个像素点和k个聚类中心算距离，将其值替换为离它最近的聚类中心的均值; """ h,w = img.shape[:2] img = img.reshape((-1,3)) new_img = np.zeros_like(img) # 计算每个像素点和k个聚类中心的距离 dist = np.linalg.norm(img[:,np.newaxis,:]-mu,axis=2) # 找到距离最近的聚类中心索引 labels = np.argmin(dist,axis=1) # 将像素点的值替换为其所属的聚类中心的均值 for i in range(k): new_img[labels==i] = mu[i] return new_img.reshape((h,w,3)).astype(np.uint8) k_list = [2,4,8,16,32] iter_num = 30 plt.figure(figsize=(10,10*len(k_list)),dpi=200) for idx,k in enumerate(k_list): plt.subplot(1,len(k_list),idx+1) mu = kmeans(img,k,iter_num) new_img = compression(img,k,mu) plt.imshow(new_img) plt.title('k={}'.format(k)) plt.axis('off') plt.tight_layout() plt.show()