在无监督学习的算法中，Kmeans算法是最常用的算法之一，今天用Kmeans来实现以下图像分割的功能。
图像分割：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。图像分割技术已在实际生活中得到广泛的应用。例如：在机车检验领域，可以应用到轮毂裂纹图像的分割，及时发现裂纹，保证行车安全；在生物医学工程方面，对肝脏CT图像进行分割，为临床治疗和病理学研究提供帮助。
目标：利用K-means聚类算法对图像像素点颜色进行聚类实现简单的图像分割 输出：同一聚类中的点使用相同颜色标记，不同聚类颜色不同
import numpy as np #插入numpy库 import PIL.Image as image #加载pil的包 from sklearn.cluster import KMeans def loadData(filePath): f = open(filePath,'rb') #以二进制读取文件 data = [] img = image.open(f) #返回图片的像素值 m,n = img.size #返回图片的大小 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('kmeans/bull.jpg') label = KMeans(n_clusters=4).fit_predict(imgData) #图片聚成4类 label = label.reshape([row,col]) pic_new = image.new("L", (row, col)) for i in range(row): #根据所属类别给图片添加灰度 for j in range(col): pic_new.putpixel((i,j), int(256/(label[i][j]+1))) pic_new.save("result-bull-4.jpg", "JPEG") 最后的结果以一张风机的图片为例：原图
