计算图像分割后不同区域像素值的代码

这里提供一个常用的图像分割算法——基于K-Means聚类的图像分割，并且计算不同区域像素值的代码。

首先，我们需要导入必要的库和图像：

import cv2
import numpy as np
from sklearn.cluster import KMeans

# 读入图像
img = cv2.imread('example.jpg')

接下来，我们将图像进行预处理，转换成Numpy数组，并且将像素值归一化到[0,1]的范围内：

# 转换为Numpy数组
img_data = np.asarray(img)

# 归一化像素值
img_data = img_data / 255.0

# 将数据重塑为二维数组
img_data = img_data.reshape((-1, 3))

然后，我们使用K-Means算法对图像进行聚类，将图像分成k个区域：

# 指定聚类数k
k = 5

# 运行K-Means聚类算法
kmeans = KMeans(n_clusters=k, random_state=0).fit(img_data)

# 获取每个像素的标签
labels = kmeans.predict(img_data)

接下来，我们根据像素标签，将图像分成k个区域，并且计算每个区域的像素值：

# 将图像分成k个区域
regions = []
for i in range(k):
    mask = (labels == i)
    region = img_data.copy()
    region[mask] = 0
    regions.append(region.reshape(img.shape))

# 计算每个区域的像素值
for i, region in enumerate(regions):
    print('Region %d:' % i)
    print('  Red: %.2f' % np.mean(region[:, :, 0]))
    print('  Green: %.2f' % np.mean(region[:, :, 1]))
    print('  Blue: %.2f' % np.mean(region[:, :, 2]))

最后，我们可以将分割后的图像和每个区域的像素值输出：

# 将分割后的图像输出
cv2.imshow('Segmented Image', np.hstack(regions))

# 等待用户按下任意键
cv2.waitKey(0)

# 输出每个区域的像素值
for i, region in enumerate(regions):
    print('Region %d:' % i)
    print('  Red: %.2f' % np.mean(region[:, :, 0]))
    print('  Green: %.2f' % np.mean(region[:, :, 1]))
    print('  Blue: %.2f' % np.mean(region[:, :, 2]))

完整的代码如下：

import cv2
import numpy as np
from sklearn.cluster import KMeans

# 读入图像
img = cv2.imread('example.jpg')

# 转换为Numpy数组
img_data = np.asarray(img)

# 归一化像素值
img_data = img_data / 255.0

# 将数据重塑为二维数组
img_data = img_data.reshape((-1, 3))

# 指定聚类数k
k = 5

# 运行K-Means聚类算法
kmeans = KMeans(n_clusters=k, random_state=0).fit(img_data)

# 获取每个像素的标签
labels = kmeans.predict(img_data)

# 将图像分成k个区域
regions = []
for i in range(k):
    mask = (labels == i)
    region = img_data.copy()
    region[mask] = 0
    regions.append(region.reshape(img.shape))

# 将分割后的图像输出
cv2.imshow('Segmented Image', np.hstack(regions))

# 等待用户按下任意键
cv2.waitKey(0)

# 输出每个区域的像素值
for i, region in enumerate(regions):
    print('Region %d:' % i)
    print('  Red: %.2f' % np.mean(region[:, :, 0]))
    print('  Green: %.2f' % np.mean(region[:, :, 1]))
    print('  Blue: %.2f' % np.mean(region[:, :, 2]))