### PyCharm 中使用 K-Means 实现图像分割 K-Means 是一种常用的无监督机器学习算法，在图像分割领域有广泛应用。以下是关于如何在 PyCharm 中通过 Python 使用 OpenCV 和 NumPy 库实现基于 K-Means 的图像分割过程。 #### 1. 将 RGB 图像转换为灰度图 为了简化计算并减少数据维度，通常先将彩色 (RGB) 图像转换为灰度图。这可以通过 `cv2.cvtColor` 函数完成： ```python import cv2 import numpy as np # 加载原始图像 img = cv2.imread('image.jpg') # 转换为灰度图 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 显示灰度图 cv2.imshow('Gray Image', gray_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此代码片段展示了如何加载一张图片并将它从 BGR 颜色空间转换成灰度颜色空间[^1]。 --- #### 2. 处理图像为 Numpy 数组 对于后续的 K-Means 计算，需要将图像表示为二维矩阵形式以便于操作。可以利用 NumPy 来重新调整形状： ```python # 将灰度图像展平为一维数组 Z = gray_img.reshape((-1, 1)) # 转换为 float 类型 Z = np.float32(Z) ``` 这里的关键在于将图像像素值重塑为 `(height*width, channels)` 形状的一维向量，并将其类型更改为浮点数以适应 K-Means 算法的要求[^4]。 --- #### 3. 执行 K-Means 聚类 OpenCV 提供了一个内置函数用于执行 K-Means 聚类分析。下面是一个简单的例子展示如何设置参数以及运行该方法： ```python criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) K = 2 # 设置类别数量 ret, label, center = cv2.kmeans(Z, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS) center = np.uint8(center) res = center[label.flatten()] output_image = res.reshape((gray_img.shape)) ``` 上述脚本定义了终止条件 (`criteria`) 并指定了要创建的簇数目 (`K=2`)。之后调用了 `cv2.kmeans()` 方法来进行实际的数据分群工作[^2]。 --- #### 4. 可视化结果 最后一步是对比输入与输出效果。我们可以借助 Matplotlib 绘制两张子图分别显示原图及其对应的分割版本： ```python import matplotlib.pyplot as plt plt.figure(figsize=(10, 5)) plt.subplot(121), plt.imshow(gray_img, cmap='gray') plt.title('Input Gray Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(output_image, cmap='gray') plt.title('Segmented Output'), plt.xticks([]), plt.yticks([]) plt.show() ``` 这段程序绘制出了两个窗口——左侧代表初始状态下的灰阶影像；右侧则呈现经由 K-Means 运算后的分类成果。 --- ### 总结 以上流程涵盖了从读取文件到应用 K-Means 技术对单通道灰度照片实施自动分区的主要环节。值得注意的是，尽管这种方法简单易懂，但在现代计算机视觉任务中可能并非最优解方案^。