Python图像识别（聚类）

 # -*- coding: utf-8 -*-
 """
 Created on Fri Sep 21 15:37:26 2018

 @author: zhen
 """
 from PIL import Image
 import numpy as np
 from sklearn.cluster import KMeans
 import matplotlib
 import matplotlib.pyplot as plt

 def restore_image(cb, cluster, shape):
     row, col, dummy = shape
     image = np.empty((row, col, dummy))
     for r in range(row):
         for c in range(col):
             image[r, c] = cb[cluster[r * col + c]]
     return image

 def show_scatter(a):
     N = 10
     density, edges = np.histogramdd(a, bins=[N, N, N], range=[(0, 1), (0, 1), (0, 1)])
     density /= density.max()
     x = y = z = np.arange(N)
     d = np.meshgrid(x, y, z)

     fig = plt.figure(1, facecolor='w')
     ax = fig.add_subplot(111, projection='3d')

     cm = matplotlib.colors.ListedColormap(list('rgbm'))
     ax.scatter(d[0], d[1], d[2], s=100 * density, cmap=cm, marker='o', depthshade=True)
     ax.set_xlabel(u'红')
     ax.set_ylabel(u'绿')
     ax.set_zlabel(u'蓝')
     plt.title(u'图像颜色三维频数分布', fontsize=20)

     plt.figure(2, facecolor='w')
     den = density[density > 0]
     den = np.sort(den)[::-1]
     t = np.arange(len(den))
     plt.plot(t, den, 'r-', t, den, 'go', lw=2)
     plt.title(u'图像颜色频数分布', fontsize=18)
     plt.grid(True)

     plt.show()

 if __name__ == '__main__':
     matplotlib.rcParams['font.sans-serif'] = [u'SimHei']
     matplotlib.rcParams['axes.unicode_minus'] = False
     # 聚类数2,6,30
     num_vq = 2
     im = Image.open('C:/Users/zhen/.spyder-py3/images/Lena.png')
     image = np.array(im).astype(np.float) / 255
     image = image[:, :, :3]
     image_v = image.reshape((-1, 3))
     kmeans = KMeans(n_clusters=num_vq, init='k-means++')
     show_scatter(image_v)

     N = image_v.shape[0]  # 图像像素总数
     # 选择样本，计算聚类中心
     idx = np.random.randint(0, N, size=int(N * 0.7))
     image_sample = image_v[idx]
     kmeans.fit(image_sample)
     result = kmeans.predict(image_v)  # 聚类结果
     print('聚类结果:\n', result)
     print('聚类中心:\n', kmeans.cluster_centers_)

     plt.figure(figsize=(15, 8), facecolor='w')
     plt.subplot(211)
     plt.axis('off')
     plt.title(u'原始图片', fontsize=18)
     plt.imshow(image)
     # plt.savefig('原始图片.png')

     plt.subplot(212)
     vq_image = restore_image(kmeans.cluster_centers_, result, image.shape)
     plt.axis('off')
     plt.title(u'聚类个数:%d' % num_vq, fontsize=20)
     plt.imshow(vq_image)
     # plt.savefig('矢量化图片.png')

     plt.tight_layout(1.2)
     plt.show()

结果：

　　　　 　

　　1.当k=2时：

　　

　　　　　　

　　2.当k=6时：

　  

　　　　　　　　

　　3.当k=30时：

　  

　　　　　 　

总结：当聚类个数较少时，算法运算速度快但效果较差，当聚类个数较多时，运算速度慢效果好但容易过拟合，所以恰当的k值对于聚类来说影响极其明显！！