使用K-means算法批量处理图像文件并保存结果

K-means是一种聚类算法，它可以将数据分为不同的簇，每个簇内的数据点相似度较高，不同簇之间的数据点相似度较低。在图像处理中，可以使用K-means算法将图像像素点聚类，从而实现图像分割、色彩量化等目的。

以下是使用K-means算法批量处理图像文件并保存结果的步骤：

1. 导入需要处理的图像文件，并将其转化为numpy数组。

import cv2
import numpy as np

# 导入图像文件
img = cv2.imread('image.jpg')
# 将图像转化为numpy数组
img_array = np.array(img)

2. 将图像数组进行reshape，转化为二维数组。

# 将图像数组reshape为二维数组
img_data = img_array.reshape((-1, 3))

3. 使用K-means算法对图像像素点进行聚类。

from sklearn.cluster import KMeans

# 设定聚类数目
kmeans = KMeans(n_clusters=8, random_state=0)
# 对图像像素点进行聚类
kmeans.fit(img_data)
# 获取聚类结果
labels = kmeans.labels_

4. 将聚类结果重新转化为图像数组形式，并保存处理后的图像文件。

# 将聚类结果重新reshape为图像形式
result = labels.reshape(img_array.shape[:2])
# 将处理后的图像保存为文件
cv2.imwrite('result.jpg', result)

可以将以上代码封装为一个函数，以便批量处理图像文件。

import os

def kmeans_batch_process(input_folder, output_folder, n_clusters):
    # 遍历输入文件夹下所有图像文件
    for filename in os.listdir(input_folder):
        if filename.endswith('.jpg'):
            # 导入图像文件
            img = cv2.imread(os.path.join(input_folder, filename))
            # 将图像转化为numpy数组
            img_array = np.array(img)
            # 将图像数组reshape为二维数组
            img_data = img_array.reshape((-1, 3))
            # 对图像像素点进行聚类
            kmeans = KMeans(n_clusters=n_clusters, random_state=0)
            kmeans.fit(img_data)
            # 获取聚类结果
            labels = kmeans.labels_
            # 将聚类结果重新reshape为图像形式
            result = labels.reshape(img_array.shape[:2])
            # 将处理后的图像保存为文件
            cv2.imwrite(os.path.join(output_folder, filename), result)

使用以上函数，可以对指定文件夹下所有图像文件进行K-means聚类处理，并将处理结果保存到指定文件夹中。

# 批量处理图像文件
kmeans_batch_process('input_folder', 'output_folder', 8)