基于聚类的“图像分割”

  先介绍图像分割的一点知识。所谓图像分割就是利用图像的灰度、颜色、纹理、形状等特征，把图像分成若 干个互不重叠的区域，并使这些特征在同一区域内呈现相似性，在不同的区 域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域 提取出来用于不同的研究。传统的图像分割方法有基于边缘检测；基于阈值分割，比如图，颜色，灰度等；水平集方法等。现在比较新的就是利用深度学习的图像分割，比如FCN的语义分割，还有许多改进的方法，比如目标检测与图像分割结合的Mask-RCNN，有兴趣的可以查阅相关资料。下面介绍的是一种比较有趣的分割方法~

---

基于Kmeans的“图像分割”

  原理很简单：通过将RGB图片展开成一维的数组，对每个像素基于几何距离进行聚类，我们可以指定中心点，每个像素关联一个标签0，1，2…那么这个标签”图片”就是我们”分割”后的效果了呢~

    import numpy as np    import cv2    from sklearn.cluster import KMeans    img_data=cv2.imread('D:\jjnbl.jpg')/255.0    plt.subplot(121),plt.imshow(img_data,cmap = 'gray')    plt.title('Original Image'), plt.xticks([]), plt.yticks([])    #kernel=np.ones((4,4,),np.float32)/16    #img_data = cv2.filter2D(img_data, -1, kernel)    #对图片进行一下滤波平滑可能会更好看一点    row,col= img_data.shape[0],img_data.shape[1]    img_data=img_data.reshape((row*col,3))    label = KMeans(n_clusters=2).fit_predict(img_data)  # 聚类中心的个数为3    label = label.reshape([row, col]) *50+50 # 聚类获得每个像素所属的类别    plt.subplot(122),plt.imshow(label,cmap='gray')    plt.title('Edge Image'), plt.xticks([]), plt.yticks([])    plt.show()

下面是大帅比吉诺比利的效果图，怎么样，是不是有点分割的意思呢~其中，簇类的个数不同，效果图也会不同，这个要自己去试了，一般2到5个就差不多了，我这里是2个，3个的话好难看我就不放了~为了衬托聚类分割效果还可以，我试了一波基于边缘分割的算法。

---

基于边缘检测的分割

Canny 边缘检测是一种非常流行的边缘检测算法,主要是求图像的梯度，再限定图像的阈值。 直接上代码吧，原理我就不写了。

    import cv2    import numpy as np    from matplotlib import pyplot as plt    img = cv2.imread(r'D:\jjnbl.jpg')    kernel = np.ones((3, 3), np.float32) / 9    edges = cv2.Canny(img,100,200)    edges2= cv2.dilate(edges, kernel, iterations=1)    plt.subplot(131),plt.imshow(img,cmap = 'gray')    plt.title('Original Image'), plt.xticks([]), plt.yticks([])    plt.subplot(132),plt.imshow(edges,cmap = 'gray')    plt.title('Edge Image'), plt.xticks([]), plt.yticks([])    plt.subplot(133),plt.imshow(edges2,cmap = 'gray')    plt.title('Edge Image with dilate'), plt.xticks([]), plt.yticks([])    plt.show()

可以看到结果不忍直视啊，基于边缘检测的分割效果是很差的，其中第三张是为了效果更明显一点加了膨胀的效果……

---

 当然了，这里并不是要用kmeans干什么事情，只是呢，我觉得这个想法真的是挺新的，告诉我们在学习过程中，应该学以致用，学会开阔思路，才能进步，成为一名里厉害的攻城狮啊~