python基于K-means聚类算法的图像分割

python基于基于K-means聚类算法的图像分割聚类算法的图像分割

主要介绍了python基于K-means聚类算法的图像分割，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋

友们下面随着小编来一起学习学习吧

1 K-means算法算法

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 算法思路算法思路

1. 随机选取聚类中心

2 应用于图像分割应用于图像分割

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):

'''

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

'''

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):

'''

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)]