python 灰度图 k-means聚类

K-means聚类是一种无监督学习算法，可以将数据集中的样本划分为K个类别，使得同一类别内的样本相似度较高，不同类别间的相似度较低。

在Python中，可以使用scikit-learn库中的KMeans模块实现K-means聚类。以下是一个简单的示例代码，用于对灰度图像进行K-means聚类：

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

# 读取灰度图像
img = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)

# 将图像转换为一维数组
X = img.reshape(-1, 1)

# 初始化KMeans模型并进行聚类
kmeans = KMeans(n_clusters=4, random_state=0).fit(X)

# 将每个像素点重新赋值为所属的聚类中心值
labels = kmeans.labels_
new_X = np.zeros_like(X)
for i in range(len(labels)):
    new_X[i] = kmeans.cluster_centers_[labels[i]]

# 将一维数组转换为图像
new_img = new_X.reshape(img.shape)

# 显示原始图像和聚类后的图像
cv2.imshow('Original', img)
cv2.imshow('KMeans Clustering', new_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们首先读取了一张灰度图像，并将其转换为一维数组。然后，我们使用KMeans模型对图像进行聚类，并将每个像素点重新赋值为所属的聚类中心值。最后，我们将一维数组转换回图像，并将原始图像和聚类后的图像显示出来。

需要注意的是，K-means聚类的结果可能会受到初始聚类中心的影响。因此，建议多次运行算法并选择最好的结果。