在K-Means Using Python中，給出了一個用K-Means聚類的tutorial，這次將K-Means用在具體圖像像素聚類中，需要說明的是除了在很簡單的圖像上，單純在像素值上應(yīng)用K-Means給出的結(jié)果是毫無意義的。要產(chǎn)生有意義的結(jié)果，需要更多復(fù)雜的類模型或空間一致性而不是平均像素色彩。這里，我們僅僅在RGB三通道像素值上運(yùn)用K-Means，關(guān)于圖像分割問題會在后面的學(xué)習(xí)過程中將給出一些筆記與示例。

這里，我們對兩幅簡單的圖像利用K-Means進(jìn)行像素聚類。下面代碼先載入圖像，然后用一個 100×100 的窗口在圖像中滑動，在RGB三通道上，分別求窗口所在位置中窗口包含像素值的平均值作為特征，對這些特征利用K-Means進(jìn)行聚類，然后對向量量化，關(guān)于向量量化的解釋及理解，可以參與[1,2]，下面是完整的對一幅簡單的圖像利用K-Means進(jìn)行像素聚類的完整code:

"""Function: Illustrate Clustering Pixels Using K-Means Date: 2013-11-01""" from scipy.cluster.vq import * from scipy.misc import imresize from pylab import * import Image steps = 100 # image is divided in steps*steps region infile = 'D:\NutStore\Project\Translation\PCV\pcv_data\data\empire.jpg' im = array(Image.open(infile)) dx = im.shape[0] / steps dy = im.shape[1] / steps # compute color features for each region features = [] for x in range(steps):for y in range(steps):R = mean(im[x * dx:(x + 1) * dx, y * dy:(y + 1) * dy, 0])G = mean(im[x * dx:(x + 1) * dx, y * dy:(y + 1) * dy, 1])B = mean(im[x * dx:(x + 1) * dx, y * dy:(y + 1) * dy, 2])features.append([R, G, B]) features = array(features, 'f') # make into array # cluster centroids, variance = kmeans(features, 3) code, distance = vq(features, centroids) # create image with cluster labels codeim = code.reshape(steps, steps) codeim = imresize(codeim, im.shape[:2], 'nearest') figure() ax1 = subplot(121) ax1.set_title('Image') axis('off') imshow(im) ax2 = subplot(122) ax2.set_title('Image after clustering') axis('off') imshow(codeim) show()

上面兩層for循環(huán)實(shí)現(xiàn)的就是窗口滑動時，窗口中三通道像素的平均值，并將求得的三個通道上的平均值作為feature，后面的過程就是K-Means Using Python中詳解的內(nèi)容，這里不再贅述。下面是像素聚類結(jié)果：再次需要強(qiáng)調(diào)的是利用像素聚類的方法只能對一些簡單的圖像進(jìn)行分割，對于復(fù)雜點(diǎn)的圖像，我們可以采用圖割的方法，后面會對這方面進(jìn)行一些分析。

參考：

[1]?http://www.data-compression.com/vq.shtml

[2]?http://blog.csdn.net/zouxy09/article/details/9153255

from:?http://yongyuan.name/blog/clustering-pixels-using-kmeans.html

總結(jié)

以上是生活随笔為你收集整理的聚类图像像素 Clustering Pixels Using K-Means的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。