个人学习笔记：采用聚类方法对图像进行分割，以下内容纯粹个人理解，如有错误请帮我指出！多谢！
图像分割就是把图像按照某些条件分成不同的区域，并提取出感兴趣的区域。传统的分割方法包括基于阈值的分割、基于区域的分割、基于边缘的分割等。当然，本次笔记写的是采用K均值聚类实现图像分割。（代码在文章结尾）
一、理论分析
K均值是一种比较常用的聚类算法，由于并不是本次笔记的重点，因此只进行算法的流程简单记录如下：
1、选取K个样本作为聚类中心
2、计算各个样本到聚类中心的距离
3、更新均值向量，重复以上步骤
分割算法核心：对图像的像素进行聚类，相似RGB值的像素被聚到一起，就形成了K个区域！
问题的核心在于如何使用K均值对图像的像素进行聚类，自己整理了以下的几个问题：
1、 K均值使用什么做样本？
K均值聚类就是把图像的像素点按照“值的接近程度”进行聚类，那么就会给每个像素点打标签（把每个位置R、G、B值看作是一个样本，R、G、B就是三个特征），有多少像素值（R、G、B算一个像素值）就有多少个样本。
2、 K均值得到的标签含义是什么？
K均值得到的结果标签就是width*height个0,1,2这种值，因为图像提供的样本数就是width*height个，也就是对每个位置的像素点打标签。含义就是亮度接近的像素标签值相同。
3、K均值聚类以后如何得到新的聚类图像
像素点的标签值表示它属于哪个类，后续使用标签值作为亮度值。如果是聚类结果为3， 那么标签值就有0,1,2三个，标签的shape是width*height，那么就是用0,1,2填充一张np.zeros(width, height)图像，就得到了最后的聚类结果。
标签值相同的位置因此也就亮度相同，得到的聚类图像仅仅包含k个亮度种类，比如K=3，那么聚类图像就只有三种亮度值
实现代码里面未解决的Bug：因为标签值0,1，2代表的仅仅是三个不同区域，但是没办反设定哪个区域是2（最亮的区域），也就是最后合成的图像哪个区域亮没办反控制（比如人脸区域应该更亮），只能多运行几次程序。
二：代码实现
算法流程分为以下四步：
1、读取图片
2、将图片像素转为样本形式
3、对样本进行聚类
4、创建空白图像
5、使用聚类结果对空白图像进行填充
6、保存聚类得到的标签图
步骤1和2：
# 1:read image
上述代码块的#1负责读取图片，#2负责把（w，h，3）的图像转为（w*h，3）的数据，每行就是一个样本，每个样本包含R、G、B三个特征值。
步骤3：
# 3: cluster, I thought: give every pixel (that in orignal image)# a label , so the label have same shape as image(gray)cls = KMeans(n_clusters=k_cluster).fit_predict(data)cls = cls.reshape(image.shape[0], image.shape[1])
聚类就是对上述的像素值进行聚类
步骤4：
# 4: create a image containercontainer = np.zeros(shape=(image.shape[0], image.shape[1]))
创建的像素值全为0的空白图像，用于存储聚类标签。
步骤5：
# 5: use cluster labels as "gray value" # and fill it into aimage containerfor i in range(image.shape[0]):for j in range(image.shape[1]):# cls[i, j]*30 ,because label value is 0, 1, 2# the bright difference betwwen labels is to smallcontainer[i, j] = cls[i, j]*60
将聚类标签值cls[i, j]乘以60作为亮度值（乘以70或者任何值都行，只要保证K*任何值不超过255）
步骤6：
# 6: saver the cluster imagecontainer = container.astype(np.uint8) imageio.imsave(save_name, container)
保存的时候一定要转换为uint8编码
完整的代码如下：
import numpy as npimport imageiofrom sklearn.cluster import KMeansdef image_cluster(image_name, save_name, k_cluster=3):"""cluster by KMeans for RGB image"""# 1:read imageimage = imageio.imread(image_name)# 2: convert (w, h, 3) into (w*h, 3)# R,G and B combine as 3 features # data will be a 2D matrix, each row have 3 values(R/G/B),# and each column has width*height values# this operation convert 3D to 2D, like reshape image2matrix = []for i in range(image.shape[0]):for j in range(image.shape[1]):r_v, g_v, b_v = image[i, j]image2matrix.append([r_v/255.0, g_v/255.0, b_v/255.0])data = np.mat(image2matrix)# 3: cluster, I thought: give every pixel (that in orignal image)# a label , so the label have same shape as image(gray)cls = KMeans(n_clusters=k_cluster).fit_predict(data)cls = cls.reshape(image.shape[0], image.shape[1])# 4: create a image containercontainer = np.zeros(shape=(image.shape[0], image.shape[1]))# 5: use cluster labels as "gray value" # and fill it into aimage containerfor i in range(image.shape[0]):for j in range(image.shape[1]):# cls[i, j]*30 ,because label value is 0, 1, 2# the bright difference betwwen labels is to smallcontainer[i, j] = cls[i, j]*60# 6: saver the cluster imagecontainer = container.astype(np.uint8) imageio.imsave(save_name, container)return Trueimage_cluster("data/vivian.jpg", "results/cluster.jpg")
对标题上费雯丽的照片进行聚类结果如下：
个人认为：K如果选择为2，那么图片视觉上看就应该包含“2种”明显不同的区域；K如果选择为3，那么图片中就应该包含3种明显不同的区域。
