讀取圖片并縮放
讀取單個圖片，出于實(shí)際需要與減少工作量的考量，將圖片以100個像素的固定寬度按比例縮小寓涨。
def load_pic(pic_path):
# 加載圖片并縮放
with open(pic_path, 'rb') as f:
pic = image.open(f)
# 縮放
m, n = pic.size
S_x = 100
S_y = int((S_x / m) * n)
pic = pic.resize((S_x, S_y), image.ANTIALIAS)
return pic
Kmeans圖像分割
直接對圖像利用k均值算法進(jìn)行分割
def km_pic(f):
# 圖像分割
# 讀取圖片
pic = load_pic(f)
row, col = pic.size
# 圖片轉(zhuǎn)為矩陣
data = []
for i in range(row):
for j in range(col):
x, y, z = pic.getpixel((i, j))
data.append([x / 256.0, y / 256.0, z / 256.0])
pic = np.mat(data)
# 聚類
label = KMeans(n_clusters=3).fit_predict(pic)
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(label[i][j]))
return pic_new
對于四張測試圖片姆坚，其中第二嘶炭、三張得到了不錯的效果，但第一辖源、四張卻十分不理想竭缝，主體區(qū)分不明顯，噪點(diǎn)也很多傻粘。
直接聚類的效果.jpeg
加入濾波降噪
為了改進(jìn)程序每窖，修改了km_pic函數(shù)，將圖片轉(zhuǎn)為矩陣的過程抽出弦悉，編寫一個新的函數(shù)用于圖像的預(yù)處理窒典，加入濾波處理降噪。
def pic_change(pic):
# 預(yù)處理稽莉，濾波
# 濾波
pic = pic.filter(ImageFilter.RankFilter(3, 8))
# 圖片轉(zhuǎn)為矩陣
m, n = pic.size
data = []
for i in range(m):
for j in range(n):
x, y, z = pic.getpixel((i, j))
data.append([x / 256.0, y / 256.0, z / 256.0])
d = np.mat(data)
return d, m, n
濾波后主體被明顯區(qū)分出來瀑志，噪點(diǎn)減少，但仔細(xì)觀察污秆，圖像的陰影部分效果仍有待提高（例如圖二右下角）劈猪。
加入濾波后的效果.jpeg
對數(shù)變換降低對比度
編寫對數(shù)變換的函數(shù)并加入到預(yù)處理的函數(shù)中。
def log_pic(pic_m, v):
# 對數(shù)變換算法
g = np.log2(1 + v * pic_m) / np.log2(v + 1)
img_m = (g * 255)
return img_m
對數(shù)變換后的效果.jpeg
根據(jù)結(jié)果摳圖
由于是采用的k=3的聚類良拼，對得到的結(jié)果二值化處理
# 二值化
back = pic_new.getpixel((0, 0))
pic_new = pic_new.point(lambda x: 0 if x == back else 1)
編寫函數(shù)根據(jù)最終的結(jié)果在原圖上摳圖岸霹。
def pic_split(f, p):
# 由得到的結(jié)果在原圖上摳圖。
# 加載原圖
pic = load_pic(f)
m, n = pic.size
# 比較與摳圖
for i in range(m):
for j in range(n):
if p.getpixel((i, j)) == 0:
pic.putpixel((i, j), 0)
return pic
最終效果
對代碼進(jìn)一步修改将饺，得到的最終結(jié)果如下：
最終結(jié)果.jpeg
完整代碼
import numpy as np
import PIL.Image as image
from PIL import ImageFilter
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
def log_pic(pic_m, v):
# 對數(shù)變換算法
g = np.log2(1 + v * pic_m) / np.log2(v + 1)
img_m = (g * 255)
return img_m
def load_pic(pic_path):
# 加載圖片并縮放
with open(pic_path, 'rb') as f:
pic = image.open(f)
# 縮放
m, n = pic.size
S_x = 100
S_y = int((S_x / m) * n)
pic = pic.resize((S_x, S_y), image.ANTIALIAS)
return pic
def pic_change(pic):
# 預(yù)處理贡避，濾波與對數(shù)變換
# 濾波
pic = pic.filter(ImageFilter.RankFilter(5, 24))
m, n = pic.size
data = []
for i in range(m):
for j in range(n):
x, y, z = pic.getpixel((i, j))
data.append([x / 256.0, y / 256.0, z / 256.0])
d = np.mat(data)
# 對數(shù)變換
d = log_pic(d, 10)
return d, m, n
def pic_split(f, p):
# 由得到的結(jié)果在原圖上摳圖
# 加載原圖
pic = load_pic(f)
m, n = pic.size
# 比較與摳圖
for i in range(m):
for j in range(n):
if p.getpixel((i, j)) == 0:
pic.putpixel((i, j), 0)
return pic
def km_pic(f):
# 圖像分割
pic = load_pic(f)
img_data, row, col = pic_change(pic)
# 聚類
label = KMeans(n_clusters=3).fit_predict(img_data)
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)))
# 濾波
pic_new = pic_new.filter(ImageFilter.ModeFilter(7))
# 二值化
back = pic_new.getpixel((0, 0))
pic_new = pic_new.point(lambda x: 0 if x == back else 1)
# 摳圖
pic_new = pic_split(f,pic_new)
return pic_new
f1 = 'F:/g.jpg'
f2 = 'F:/k.jpg'
f3 = 'F:/q.jpg'
f4 = 'F:/t.jpg'
p1 = image.open(f1)
p2 = image.open(f2)
p3 = image.open(f3)
p4 = image.open(f4)
plt.subplot(241)
plt.imshow(p1)
plt.subplot(242)
plt.imshow(p2)
plt.subplot(243)
plt.imshow(p3)
plt.subplot(244)
plt.imshow(p4)
plt.subplot(245)
plt.imshow(km_pic(f1))
plt.subplot(246)
plt.imshow(km_pic(f2))
plt.subplot(247)
plt.imshow(km_pic(f3))
plt.subplot(248)
plt.imshow(km_pic(f4))
plt.show()
