本实验基于图像,使⽤ K-means 算法进⾏像素聚类,将⼀幅图像分解成若⼲互不相交区域的集合,从⽽实现图像分割;本次实验分割的对象是遥感图像,图像来⾃GID(Gaofen Image Dataset)数据集; ⾸先加载必要的包和模块:
import numpy as np
from PIL import Image
from sklearn.cluster import KMeans
PIL(Python Image Library)是 Python 的第三⽅图像处理库,在 Python3 中只需要安装 pillow 模块即可,安装命令:pip install pillow
加载图像:
image = Image.open('remote.jpg')
image
上图中的每个彩⾊像素点包含3个特征值,分别是:R(红⾊)、G(绿⾊)、B(蓝⾊) 三个颜⾊通
道;
通过 RGB 三个颜⾊通道的变化以及它们相互之间的叠加可以得到各式各样的颜⾊。
# 'RGB'
获取图像的像素值:
王学左派# (72, 139, 145)
加载图像的像素数据:
def load_data(image):
# 存放所有的像素数据
data =[]
# 获取图⽚像素的⾏列数
n80row,col = image.size
护理研究
# 遍历每个像素点的位置 (i,j)
for i in range(row):
for j in range(col):
# 获取 (i,j) 处的像素值,并添加到 data 列表中
data.pixel((i,j)))
return data,row,col
获取 K 个类的像素值:
def get_color(k):
# 存放聚类中⼼的像素值
color =[]
# 设置随机种⼦,使多次运⾏的结果保持⼀致
np.random.seed(2021)
安徽农业大学学报# 为 k 个聚类中⼼⽣成随机像素值
for i in range(k):
# ⽣成包含三个随机数的序列,随机数范围:[0,255]
c = np.random.choice(a=range(255),size=3)
# 将随机数三元组添加到 color 列表中
color.append(tuple(c))
return color
农民频道自娱自乐
get_color(5)
"""
[(116, 85, 57), (128, 109, 94), (214, 44, 62), (219, 157, 21), (93, 152, 140)] """
像素聚类:
血浆分离器# 聚类簇数
k =5
# 获取像素数据、图⽚像素的⾏列数
data,row,col = load_data(image)
# 对图⽚像素进⾏聚类,获取每个像素的聚类编号
label = KMeans(k).fit_predict(data)
# 将 label 改成⼆维数组,且 shape = (row,col)
label = shape(row,col)
聚类结果可视化:
# 获取 k 个类的像素值
color = get_color(k)
# 创建⼀张新的图⽚,⾊彩模式为 RGB,图⽚⼤⼩为(row,col)
image_new = w("RGB",(row, col))
# 遍历新图⽚每个像素的位置:(i,j)
for i in range(row):
for j in range(col):
# 获取(i,j)处的聚类编号 x
x = label[i][j]
# 在(i,j)处添加类 x 的像素值的像素值 color[x]
image_new.putpixel((i,j), color[x])
image_new