2019-02-13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。
6
2019-02-28import 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。 5
2019-03-12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 3
2019-02-28为什么会出现这个错误呢ValueError: too many values to unpack (expected 3)作者回复: 参数过多？
2 3
2019-02-19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）。
2
2019-02-23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 1
2019-02-19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')展开编辑回复: 不用np.mat()也是OK的，jpg和png通道数确实需要注意。
1
2020-02-10聚类处理后，比如n_claster = 16 ,比较原图片更模糊些，可见，k值取越小，图片更模糊，用聚类算法使图片模糊，好像杀鸡焉用牛刀呀
2019-11-18import 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')展开作者回复: 不错 加油Ronnyz
2019-04-05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- 2019-03-16一开始对那个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。。
2019-03-12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作者回复: 嗯嗯 加油~
- 2019-02-28# -*- 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')展开作者回复: Good Job
2019-02-14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