27丨K-Means（下）：如何使用K-Means对图像进行分割？

精选留言(14)

• 

  mickey

  import PIL.Image as image
  导入的是pillow包，而非pil包。
  pil包不支持64位，但是有pillow包代替用。

  2019-02-28

  

   5
• 

  淡魂

  请问老师。自己写Min-Max规范化公式的时候为什么不直接除以255，这样得到的数据也是在[0,1]之间，是因为那个值不可以为0吗？什么原因呢？

  编辑回复: 一个不错的问题，实际上都是一样的，只要能划分到[0,1]空间内，而且在变化的过程中不存在分母为0的情况即可。因为我们是缩放一个固定的尺寸，所以除以255，反变换的时候乘以255是没有问题的。你也可以自己修改运行下，同样可以得到结果。

  2019-02-13

  

   5
• 

  cua

  为什么会出现这个错误呢ValueError: too many values to unpack (expected 3)

  2019-02-28

   2

   3
• 

  vortual

  衷心希望老师能开一讲讲下数据规范化的问题。从之前的几讲总是遇到有些是minmax规范化，有些是需要正态分布，希望老师能讲下具体什么时候用哪种，而且规范化的好处，目前知道的是加快收敛和降低维度，但为啥还不是很清楚

  2019-03-12

  

   2
• 

  深白浅黑

  老师下面函数中，最后的参数代表什么意思？手册上显示的是n_feature，但没说具体的意义，不是很明白。
          c1 = kmeans.cluster_centers_[label[x, y], 2]
          c2 = kmeans.cluster_centers_[label[x, y], 1]
          c3 = kmeans.cluster_centers_[label[x, y], 0]

  编辑回复: 一个很好的问题，实际上label[x,y]是得到当前点的类别，kmeans.cluster_centers_可以得到某类别的数值，因为图像JPG是3个通道，所以通过kmeans.cluster_centers_[label[x, y], 0]，kmeans.cluster_centers_[label[x, y], 1]，kmeans.cluster_centers_[label[x, y], 2]可以获得这3个通道的数值，然后将这些数值作为当前点的数值。因为当前点已经被划分到了这个类别，所以数值是一致的。这样如果原来图像中有N种颜色，现在聚类数是16，相当于每个点的颜色值就变成了其中一个类别的颜色值，也就是变成了16种颜色，完成了聚类（降维）。

  2019-02-19

  

   2
• 

  王彬成

  新概念总结
  1、图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤
  
  有一个问题，最后一个案例中，图像分割，输出原图有什么意义

  2019-02-23

  

   1
• 

  third

  问题：已经使用mm进行数据拟合转换了，为何还要使用np.mat()转换呢？作用在哪里？方便后面使用np.uint8吗？
  
  注意：实战的时候，保存图片为jpg格式
  如果是png格式的话，会出现4个值，导致赋值错误，(R, G, B, A)
  
  import PIL.Image as image
  import numpy as np
  import pandas as pd
  #载入数据
  def load_data(file):
      with open(file,'rb') as f:
          data=[]
          #打开文件
          img=image.open(f)
          width,height=img.size
          #获取特征数据
          for x in range(width):
              for y in range(height):
                  c1,c2,c3=img.getpixel((x,y))
                  data.append([c1,c2,c3])
          #进行mm规范化
          from sklearn.preprocessing import MinMaxScaler
          mm=MinMaxScaler()
          data=mm.fit_transform(data)
          return np.mat(data),width,height
  data,width,height=load_data('./27/baby.jpg')
  
  #进行聚类
  from sklearn.cluster import KMeans
  kmeans=KMeans(n_clusters=16)
  label=kmeans.fit_predict(data)
  
  #可视化
  #转换成图像矩阵
  label=label.reshape([width,height])
  #生成一张新图片
  # pic_1=image.new("L",(width,height))
  # #把像素信息写入
  # #方法1写入灰度值
  # for x in range(width):
  # for y in range(height):
  # #按照分类确定灰度值
  # pic_1.putpixel((x,y),int(label[x][y]*256/16))
  # pic_1.save('./27/baby.jpg')
  
  # #方法2
  # # 使用模组，将表示矩阵转换为各种颜色的矩阵
  # #使用label2rgb(label)*255转化,再把矩阵转化为unit8类型，无符号整数
  # from skimage import color
  # label_color=(color.label2rgb(label)*255).astype(np.uint8)
  # #似乎都需要进行颠倒处理
  # label_color=label_color.transpose(1,0,2)
  # #使用fromarray把矩阵生成图片
  # images=image.fromarray(label_color)
  # images.save('./27/baby_color_2.jpg')
  
  #方法3获取对应原图
  #创建新的图片
  imges1=image.new('RGB',(width,height))
  #写入图片
  for x in range(width):
      for y in range(height):
          #吧范围为0-255的数值投射到1-256
          #获取第一列即r的值
          c1=kmeans.cluster_centers_[label[x,y],0]
          c2 = kmeans.cluster_centers_[label[x, y], 1]
          c3 = kmeans.cluster_centers_[label[x, y], 2]
          imges1.putpixel((x,y),(int(c1*256)-1,int(c2*256)-1,int(c3*256)-1))
  imges1.save('./27/baby_yasuo.jpg')

  编辑回复: 不用np.mat()也是OK的，jpg和png通道数确实需要注意。

  2019-02-19

  

   1
• 

  Ronnyz

  import numpy as np
  
  import PIL.Image as Image
  
  from sklearn import preprocessing
  
  from sklearn.cluster import KMeans
  
  from skimage import color
  
  
  
  #加载图片，并进行规范化
  
  def load_data(filepath):
  
      #读图片
  
      f=open(filepath,'rb')
  
      #获取图片像素
  
      img=Image.open(f)
  
      #获取图片尺寸和像素矩阵
  
      width,height =img.size
  
      data=[]
  
      for x in range(width):
  
          for y in range(height):
  
              #得到点（x,y）的R,G,B通道值
  
              r,g,b=img.getpixel((x,y))
  
              data.append([r,g,b])
  
      f.close()
  
      #采用min-max规范化
  
      mm=preprocessing.MinMaxScaler()
  
      print('原位置列表：')
  
      print(type(data))
  
      print(len(data))
  
      data=mm.fit_transform(data)
  
      return np.mat(data),width,height
  
  
  
  #加载图片，得到规范化结果
  
  img,width,height = load_data('./kmeans-master/baby.jpg')
  
  print('\n规范化的像素矩阵：')
  
  print(type(img))
  
  print(img.shape)
  
  #用K-Means进行16聚类
  
  kmeans = KMeans(n_clusters=16)
  
  label=kmeans.fit_predict(img)
  
  
  
  #将图像结果，转化成图像尺寸矩阵
  
  label=label.reshape([width,height])
  
  
  
  #创建颜色表示矩阵图
  
  label_color = (color.label2rgb(label)*255).astype(np.uint8)
  
  label_color=label_color.transpose(1,0,2)
  
  print('\n像素颜色矩阵：')
  
  print(label_color.shape)
  
  images=Image.fromarray(label_color)
  
  images.save('./kmeans-master/baby_mark.jpg')
  
  
  
  #创建新图像，保存聚类压缩之后的结果
  
  img=Image.new('RGB',(width,height))
  
  for x in range(width):
  
      for y in range(height):
  
          r1=kmeans.cluster_centers_[label[x, y],0]
  
          g1=kmeans.cluster_centers_[label[x, y], 1]
  
          b1=kmeans.cluster_centers_[label[x, y], 2]
  
          img.putpixel((x,y),(int(r1*256)-1,int(g1*256)-1,int(b1*256)-1))
  
  img.save('./kmeans-master/baby_new.jpg')

  作者回复: 不错 加油Ronnyz

  2019-11-18

  

  
• 

  滨滨

  图像分割的主要工作在于数据的预处理，同时分割为几类需要人工指定这个很不方便

  2019-04-05

  

  
• 

  三硝基甲苯

  一开始对那个baby的图进行16份用Kmeans分类后的颜色感觉到怪怪的，折腾了好久才反应过来，这个是个分类，还好醒悟的早，不然这个要纠结好久，以为自己哪里有问题。。

  2019-03-16

  

  
• 

  宋晓明

  极客时间 pc界面终于改了。。之前的界面找某篇文章费死个劲

  2019-03-12

  

  
• 

  mickey

  # -*- coding: utf-8 -*-
  # 使用K-means对图像进行聚类，显示分割标识的可视化
  import numpy as np
  import PIL.Image as image
  from sklearn.cluster import KMeans
  from sklearn import preprocessing
  from skimage import color
  
  # 加载图像，并对数据进行规范化
  def load_data(filePath):
      # 读文件
      f = open(filePath,'rb')
      data = []
      # 得到图像的像素值
      img = image.open(f)
      # 得到图像尺寸
      width, height = img.size
      for x in range(width):
          for y in range(height):
              # 得到点(x,y)的三个通道值
              c1, c2, c3 = img.getpixel((x, y))
              data.append([c1, c2, c3])
      f.close()
      # 采用Min-Max规范化
      mm = preprocessing.MinMaxScaler()
      data = mm.fit_transform(data)
      return np.mat(data), width, height
  
  # 加载图像，得到规范化的结果img，以及图像尺寸
  img, width, height = load_data('./baby2.jpg')
  
  # 用K-Means对图像进行16聚类
  kmeans =KMeans(n_clusters=16)
  kmeans.fit(img)
  label = kmeans.predict(img)
  # 将图像聚类结果，转化成图像尺寸的矩阵
  label = label.reshape([width, height])
  # 将聚类标识矩阵转化为不同颜色的矩阵
  label_color = (color.label2rgb(label)*255).astype(np.uint8)
  label_color = label_color.transpose(1,0,2)
  images = image.fromarray(label_color)
  images.save('baby_16.jpg')

  2019-02-28

  

  
• 

  Rickie

  老师好，想请问下您聚类后得到的那张灰度图像有其他的设置吗？我使用跟您一样的代码，最后生成的图尺寸非常小，且一些细节并没有分类正确...不知道是什么原因？

  编辑回复: 可以找运营加到微信群里，我帮你看看。

  2019-02-14

  

  
• 

  梁利文

  那连接只能在手机上看，在电脑上看不到，不方便看案例和操作

  2019-02-14

  

  