基于聚类的图像分割——Python实现

文章目录

• 0 图像读取
• 1 算法实现
• • 1.1 K-Means
  • 1.2 FCM聚类
  • 1.3 漂移均值
  • 1.4 谱聚类
  • 1.5 Affinity Propagation聚类
  • 1.6 Birch聚类
  • 1.7 DBSCAN聚类
  • 1.8 高斯混合模型
  • 1.9 OPTICS聚类
  • 1.10 Agglomerative聚类
• 2 作者注

0 图像读取

import numpy as np
from PIL import Image as image
def loadData(filePath):
    f = open(filePath,'rb') 
    data= []
    img =image.open(f) 
    m,n =img.size    
    for i in range(m):
        for j in range(n):
            x,y,z =img.getpixel((i,j))
            data.append([x/256.0,y/256.0,z/256.0])
    f.close()
    return np.mat(data),m,n
imgData,row,col =loadData('apple.jpg')

apple.jpg:

图 1 原始图像 1 算法实现 1.1 K-Means

from sklearn.cluster import  KMeans
km=KMeans(n_clusters=3)
label =km.fit_predict(imgData)
label=label.reshape([row,col])
pic_new = image.new("L",(row,col))
for i in range(row):
for j in range(col):
   pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("KM_Apple.jpg","JPEG")

调整参数 K,（为km=KMeans(n_clusters=3)中参数n_clusters）得到如下结果：

K=2

K=3

K=6

图 2 K-Means算法聚类后的图像 1.2 FCM聚类

from skfuzzy.cluster import cmeans
imgData = imgData.T
center, u, u0, d, jm, p, fpc = cmeans(imgData, m=2, c=6, error=0.0001, maxiter=1000)
for i in u:
    label = np.argmax(u, axis=0) 
label = label.reshape([row, col]) 
print(label)
pic_new = image.new('L', (row, col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i, j), int(256 / (label[i][j] + 1)))
pic_new.save('FCM_apple.jpg','JPEG')

调整参数 C C C,（为center, u, u0, d, jm, p, fpc = cmeans(imgData, m=2, c=6, error=0.0001, maxiter=1000)中参数c）得到如下结果：

C=3

C=6

C=9

图 3 FCM算法聚类后的图像 1.3 漂移均值

import sklearn.cluster as sc
bw = sc.estimate_bandwidth(imgData, n_samples=500, quantile=0.2)
model = sc.MeanShift(bandwidth=bw, bin_seeding=True)
label = model.fit_predict(imgData)  
label = label.reshape([row, col])
pic_new = image.new('L', (row, col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i, j), int(256 / (label[i][j] + 1)))
pic_new.save('MS_Apple.jpg','JPEG')

bw=0.01

bw=0.17

bw=0.5

图 4 均值漂移算法聚类后的图像 1.4 谱聚类

from sklearn.cluster import SpectralClustering
label = SpectralClustering(n_clusters=3).fit_predict(imgData)
label=label.reshape([row,col])
pic_new = image.new("L",(row,col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("SP_apple.jpg","JPEG")

图 5 谱聚类算法聚类后的图像 1.5 Affinity Propagation聚类

from sklearn.cluster import AffinityPropagation
label = AffinityPropagation(damping=0.9, max_iter=20, convergence_iter=15, copy=True, preference=None, affinity='euclidean', verbose=False).fit_predict(imgData)
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("AP_apple.jpg","JPEG")

max_iter=20

max_iter=50

max_iter=100

图 6 Affinity Propagation聚类算法聚类后的图像 1.6 Birch聚类

from sklearn.cluster import Birch
label = Birch(n_clusters = 2).fit_predict(imgData)
label=label.reshape([row,col])
pic_new = image.new("L",(row,col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("Birch_apple.jpg","JPEG")

图7 Birch聚类算法聚类后的图像 1.7 DBSCAN聚类

from sklearn.cluster import DBSCAN
label = DBSCAN(eps=0.005,min_samples=1).fit_predict(imgData)
label=label.reshape([row,col])
pic_new = image.new("L",(row,col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("DBSCAN_apple.jpg","JPEG")

eps=0.005

eps=0.07

eps=0.072

图 8 DBSCAN聚类算法聚类后的图像 1.8 高斯混合模型

from sklearn import mixture
label=mixture.GaussianMixture(n_components=4,covariance_type='full')
.fit_predict(imgData)
label=label.reshape([row,col])
pic_new = image.new("L",(row,col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("GMM_apple.jpg","JPEG")

ncomponents=2

ncomponents=3

ncomponents=5

图 9 高斯混合模型聚类算法聚类后的图像 1.9 OPTICS聚类

from sklearn.cluster import OPTICS
label = OPTICS(min_samples=0.1, xi=0.005, min_cluster_size=0.05).fit_predict(imgData)
label=label.reshape([row,col])
pic_new = image.new("L",(row,col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("OPTICS.jpg","JPEG")

图 10 OPTICS聚类算法聚类后的图像 1.10 Agglomerative聚类

from sklearn.cluster import AgglomerativeClustering
label = AgglomerativeClustering(n_clusters=3).fit_predict(imgData)
label=label.reshape([row,col])
print(label)
pic_new = image.new("L",(row,col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j),int(256/(label[i][j]+1)))
pic_new.save("AC_apple.jpg","JPEG")

图 11 Agglomerative聚类算法聚类后的图像 2 作者注

博主： 于2020年毕业于安庆师范大学数学与计算科学学院信息与计算科学专业，QQ(1755826272)
说明： 本博客系毕业论文原文代码，距毕业近两年之久，今得兴致，整而发之！秉着开源精神将此代码进行公开，供大家学习使用。 转载请联系本人！！！
关于毕业论文：：毕业论文的撰写过程涉及查阅文献资料、展开实验、撰写论文、查重一系列 *** 作，其中滋味唯有经历者可意会。作者在实验过程中花去两月余时间，疫情在家，白天睡觉，晚上点灯调试代码，其中百般滋味。借撰写毕业论文之机会作者代码能力有所提升，查阅资料能力也随之提升。
关于博客内容： 博客写作仅供分享学习之用，如有理论方面困惑请移步他出自行查找，稍后博主可能补充，也可能不会补充，随性而为。如遇理论方面之困顿可联系博主讨论，欢迎来扰！