| 基于K | 您所在的位置：网站首页 › python里split的作用 › 基于K |
基于K
|
img = plt.imread(‘path’)7.1.2 三维数组(图片高，图片宽，3)→二维数组(图片宽*高，3) img = img.reshape(-1, 3)7.1.3(-1, 3)数组 →（-1,4）数组 新增1列用来存储分类信息 img = np.column__stack((img, np.ones(row*col)))7.1.4 kmeans算法返回结果只返回所有像素点的分类结果 return img[:, 3]7.2用数组表示图片7.2.1描述像素点一维数组[R, G, B]就可以表示一个像素点，数组内容是三原色的取值，数组元素大小∈[0, 255]。 7.2.2描述图片一个三维数组就可表示一张图片，如果图片的分辨率为m*n，那么数组形状为(n, m, 3)。这个三维数组描述了图片所有像素点（共m*n个）的RGB信息。 (n, m, 3):n个形状为(m, 3)的2维数组。 n:图片的高 m:图片的宽 3:[RGB]长=3 7.3plt.imread()7.3.1语法img = plt.read(‘图片路径’)7.3.2功能把图片的信息提取到数组中（将图片转化为数组）。 7.3.3返回值类型返回值类型：numpy数组 7.3.4返回值内容假设图片分辨率=m*n，宽*高 如果是灰度图，返回（n, m）形状2维数组。如果是RGB图像，返回（n, m, 3）形状的三维数组。7.3.5例读取照片，并获取包含该图片所有信息的3维矩阵。 该照片的分辨率=371*543 import numpy as np import matplotlib.pyplot as plt img = plt.imread('1.jpg') # 读入图片 print(img.shape, type(img)) print(img) plt.imshow(img) # 利用数组显示图片 plt.show() 输出：(543, 371, 3) 输出：img记录着所有像素点的RGB值： 7.4plt.imshow()7.4.1功能：数组->图片将数组存储的RGB信息映射为彩色图片。 7.4.2语法plt.imshow(img, cmap='gray') plt.imshow(img) # hsv图片 plt.show()img是包含图片所有信息的三维数组。 plt.imshow()中的cmap参数有两种取值：gray(灰度表示)，hsv(hsv颜色空间)，默认值是hsv。 7.4.3数组形状(1)三维：从图片提取的数组是三维，可以由plt.imshow()正常显示。 (2)二维： 图像分割的结果是二维数组，数组每个元素对应一个像素点的种类。如果图像有3种簇，那么二维数组的取值是[0, 1, 2]，代表归属不同的种类。 7.4.4不同数组形状显示的图片特点 不论是二维还是三维数组，用plt.imshow(img)表示时，如果不设置cmap参数，默认都是hsv。 特别地，二维数组显示的图片的颜色种类和二维数组元素可取值的数量是一样的，这样就可以区分分割的结果。下面，是两种簇的分割。 7.5plt.show()7.5.1作用显示图片。 7.5.2特点：阻塞plt.show()被执行时，程序就被阻塞在这一行不向下进行，直到图像窗口被关闭时，程序才往下进行。 7.6随机产生簇心7.6.1二维数组索引一般情况下，对于二维数组，用1个或者1对数字分别索引数组某行或者某个元素。 也可以用向量进行索引，得到的是指定行构成的数组。 下面，用向量对二维数组进行索引： import numpy as np x = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]]) print( x[0] ) #[1, 2] print( x[0,0,] ) # 1 print( x[[0, 1, 2]] ) #[[1, 2], [3, 4], [5, 6]] 7.6.2随机产生k个簇心先从[0, row*col-1]中随机产生长度为k的向量，再在data中索引该向量，得到k个随机点 distance = np.sqrt(np.sum((x - y)**2, axis=1))作为簇心。 cluster_center = data[np.random.choice(row*col, k)] #row = data.shape[0] #col = data.shape[1] 7.7.欧氏距离7.7.1欧氏距离定义7.7.2实现distance = np.sqrt(np.sum((x - y)**2, axis=1))7.7.3注意：同列不同行的数组可以进行加减法。计算图片RGB数组和一个簇心距离，二者形状分别为：[n, 3]和[1, 3]。 import numpy as np x = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]]) y = np.array([1, 2]) print(x-y) 输出：7.8归类7.8.1思路 将三维数组另起一列，放像素点的归类信息。属于第k个簇，归类信息就存储为k。 最终K-means返回的结果：每个像素点对应的信息只有它属于哪个类，取值范围为[0, k-1]。 7.8.2实现np.argmin:返回一行/列中最小元素的索引。 data[:, 3] = np.argmin(distance, axis=0)7.9计算新簇心7.9.1原理簇心 = 簇内所有点的平均值，簇心并不一定是实际存在的像素点的RGB取值。 7.9.2实现for j in range(k): # k为簇的个数 cluster.center[j] = np.mean(data[data[:, 3] == j], axis=0)其中，data[data[:, 3] == j]：返回全部有指定元素的行。 |
【本文地址】