本篇文章給大家分享的是有關(guān)怎么在python中利用K-means聚類算法對(duì)圖像進(jìn)行分割,小編覺(jué)得挺實(shí)用的,因此分享給大家學(xué)習(xí),希望大家閱讀完這篇文章后可以有所收獲,話不多說(shuō),跟著小編一起來(lái)看看吧。
成都創(chuàng)新互聯(lián)公司專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù),包含不限于網(wǎng)站建設(shè)、做網(wǎng)站、靖遠(yuǎn)網(wǎng)絡(luò)推廣、小程序制作、靖遠(yuǎn)網(wǎng)絡(luò)營(yíng)銷、靖遠(yuǎn)企業(yè)策劃、靖遠(yuǎn)品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營(yíng)等,從售前售中售后,我們都將竭誠(chéng)為您服務(wù),您的肯定,是我們大的嘉獎(jiǎng);成都創(chuàng)新互聯(lián)公司為所有大學(xué)生創(chuàng)業(yè)者提供靖遠(yuǎn)建站搭建服務(wù),24小時(shí)服務(wù)熱線:18982081108,官方網(wǎng)址:muchs.cn1 K-means算法
實(shí)際上,無(wú)論是從算法思想,還是具體實(shí)現(xiàn)上,K-means算法是一種很簡(jiǎn)單的算法。它屬于無(wú)監(jiān)督分類,通過(guò)按照一定的方式度量樣本之間的相似度,通過(guò)迭代更新聚類中心,當(dāng)聚類中心不再移動(dòng)或移動(dòng)差值小于閾值時(shí),則就樣本分為不同的類別。
1.1 算法思路
隨機(jī)選取聚類中心
根據(jù)當(dāng)前聚類中心,利用選定的度量方式,分類所有樣本點(diǎn)
計(jì)算當(dāng)前每一類的樣本點(diǎn)的均值,作為下一次迭代的聚類中心
計(jì)算下一次迭代的聚類中心與當(dāng)前聚類中心的差距
如4中的差距小于給定迭代閾值時(shí),迭代結(jié)束。反之,至2繼續(xù)下一次迭代
1.2 度量方式
根據(jù)聚類中心,將所有樣本點(diǎn)分為最相似的類別。這需要一個(gè)有效的盤踞,平方差是最常用的度量方式,如下
2 應(yīng)用于圖像分割
我們知道:無(wú)論是灰度圖還是RGB彩色圖,實(shí)際上都是存有灰度值的矩陣,所以,圖像的數(shù)據(jù)格式?jīng)Q定了在圖像分割方向上,使用K-means聚類算法是十分容易也十分具體的。
2.1 Code
導(dǎo)入必要的包
import numpy as np import random
損失函數(shù)
def loss_function(present_center, pre_center): ''' 損失函數(shù),計(jì)算上一次與當(dāng)前聚類中的差異(像素差的平方和) :param present_center: 當(dāng)前聚類中心 :param pre_center: 上一次聚類中心 :return: 損失值 ''' present_center = np.array(present_center) pre_center = np.array(pre_center) return np.sum((present_center - pre_center)**2)
分類器
def classifer(intput_signal, center): ''' 分類器(通過(guò)當(dāng)前的聚類中心,給輸入圖像分類) :param intput_signal: 輸入圖像 :param center: 聚類中心 :return: 標(biāo)簽矩陣 ''' input_row, input_col= intput_signal.shape # 輸入圖像的尺寸 pixls_labels = np.zeros((input_row, input_col)) # 儲(chǔ)存所有像素標(biāo)簽 pixl_distance_t = [] # 單個(gè)元素與所有聚類中心的距離,臨時(shí)用 for i in range(input_row): for j in range(input_col): # 計(jì)算每個(gè)像素與所有聚類中心的差平方 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) # 差異最小則為該類 pixls_labels[i, j] = int(pixl_distance_t.index(min(pixl_distance_t))) # 清空該list,為下一個(gè)像素點(diǎn)做準(zhǔn)備 pixl_distance_t = [] return pixls_labels
基于k-means算法的圖像分割
def k_means(input_signal, center_num, threshold): ''' 基于k-means算法的圖像分割(適用于灰度圖) :param input_signal: 輸入圖像 :param center_num: 聚類中心數(shù)目 :param threshold: 迭代閾值 :return: ''' input_signal_cp = np.copy(input_signal) # 輸入信號(hào)的副本 input_row, input_col = input_signal_cp.shape # 輸入圖像的尺寸 pixls_labels = np.zeros((input_row, input_col)) # 儲(chǔ)存所有像素標(biāo)簽 # 隨機(jī)初始聚類中心行標(biāo)與列標(biāo) 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] # 當(dāng)前的聚類中心 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 # 用于記錄迭代次數(shù) while True: pre_centet = present_center.copy() # 儲(chǔ)存前一次的聚類中心 # 計(jì)算當(dāng)前聚類中心 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]) # 根據(jù)當(dāng)前聚類中心分類 pixls_labels = classifer(input_signal_cp, present_center) # 計(jì)算上一次聚類中心與當(dāng)前聚類中心的差異 loss = loss_function(present_center, pre_centet) num = num + 1 print("Step:"+ str(num) + " Loss:" + str(loss)) # 當(dāng)損失小于迭代閾值時(shí),結(jié)束迭代 if loss <= threshold: break return pixls_labels
3 分類效果
聚類中心個(gè)數(shù)=3,迭代閾值為=1
聚類中心個(gè)數(shù)=3,迭代閾值為=1
以上就是怎么在python中利用K-means聚類算法對(duì)圖像進(jìn)行分割,小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘9ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。
分享文章:怎么在python中利用K-means聚類算法對(duì)圖像進(jìn)行分割-創(chuàng)新互聯(lián)
路徑分享:http://muchs.cn/article46/deichg.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供建站公司、手機(jī)網(wǎng)站建設(shè)、App開(kāi)發(fā)、網(wǎng)站設(shè)計(jì)公司、網(wǎng)站改版、網(wǎng)站制作
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請(qǐng)盡快告知,我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如需處理請(qǐng)聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時(shí)需注明來(lái)源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容