怎么在python中利用K |
您所在的位置：网站首页 › python kmeans聚类算法 › 怎么在python中利用K |
怎么在python中利用K
|
怎么在python中利用K-means聚类算法对图像进行分割
发布时间：2020-12-31 16:00:02
来源：亿速云
阅读：770
作者：Leah
栏目：开发技术
本篇文章给大家分享的是有关怎么在python中利用K-means聚类算法对图像进行分割，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。 1 K-means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 随机选取聚类中心 根据当前聚类中心，利用选定的度量方式，分类所有样本点 计算当前每一类的样本点的均值，作为下一次迭代的聚类中心 计算下一次迭代的聚类中心与当前聚类中心的差距 如4中的差距小于给定迭代阈值时，迭代结束。反之，至2继续下一次迭代 1.2 度量方式 根据聚类中心，将所有样本点分为最相似的类别。这需要一个有效的盘踞，平方差是最常用的度量方式，如下
2 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): ''' 损失函数，计算上一次与当前聚类中的差异（像素差的平方和） :param present_center: 当前聚类中心 :param pre_center: 上一次聚类中心 :return: 损失值 ''' present_center = np.array(present_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 ''' input_row, input_col= intput_signal.shape # 输入图像的尺寸 pixls_labels = np.zeros((input_row, input_col)) # 储存所有像素标签 pixl_distance_t = [] # 单个元素与所有聚类中心的距离，临时用 for i in range(input_row): for j in range(input_col): # 计算每个像素与所有聚类中心的差平方 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): ''' 基于k-means算法的图像分割（适用于灰度图） :param input_signal: 输入图像 :param center_num: 聚类中心数目 :param threshold: 迭代阈值 :return: ''' 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)] random.shuffle(initial_center_col_num) initial_center_col_num = initial_center_col_num[:center_num] # 当前的聚类中心 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 # 用于记录迭代次数 while True: pre_centet = present_center.copy() # 储存前一次的聚类中心 # 计算当前聚类中心 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]) # 根据当前聚类中心分类 pixls_labels = classifer(input_signal_cp, present_center) # 计算上一次聚类中心与当前聚类中心的差异 loss = loss_function(present_center, pre_centet) num = num + 1 print("Step:"+ str(num) + " Loss:" + str(loss)) # 当损失小于迭代阈值时，结束迭代 if loss |
【本文地址】
今日新闻 |
推荐新闻 |