读取图片并缩放
读取单个图片，出于实际需要与减少工作量的考量，将图片以100个像素的固定宽度按比例缩小。
def load_pic(pic_path):
# 加载图片并缩放
with open(pic_path, 'rb') as f:
pic = image.open(f)
# 缩放
m, n = pic.size
S_x = 100
S_y = int((S_x / m) * n)
pic = pic.resize((S_x, S_y), image.ANTIALIAS)
return pic
Kmeans图像分割
直接对图像利用k均值算法进行分割
def km_pic(f):
# 图像分割
# 读取图片
pic = load_pic(f)
row, col = pic.size
# 图片转为矩阵
data = []
for i in range(row):
for j in range(col):
x, y, z = pic.getpixel((i, j))
data.append([x / 256.0, y / 256.0, z / 256.0])
pic = np.mat(data)
# 聚类
label = KMeans(n_clusters=3).fit_predict(pic)
label = label.reshape([row, col])
pic_new = image.new("L", (row, col))
for i in range(row):
for j in range(col):
pic_new.putpixel((i, j), int(label[i][j]))
return pic_new
对于四张测试图片，其中第二、三张得到了不错的效果，但第一、四张却十分不理想，主体区分不明显，噪点也很多。
直接聚类的效果.jpeg
加入滤波降噪
为了改进程序，修改了km_pic函数，将图片转为矩阵的过程抽出，编写一个新的函数用于图像的预处理，加入滤波处理降噪。
def pic_change(pic):
# 预处理，滤波
# 滤波
pic = pic.filter(ImageFilter.RankFilter(3, 8))
# 图片转为矩阵
m, n = pic.size
data = []
for i in range(m):
for j in range(n):
x, y, z = pic.getpixel((i, j))
data.append([x / 256.0, y / 256.0, z / 256.0])
d = np.mat(data)
return d, m, n
滤波后主体被明显区分出来，噪点减少，但仔细观察，图像的阴影部分效果仍有待提高（例如图二右下角）。
加入滤波后的效果.jpeg
对数变换降低对比度
编写对数变换的函数并加入到预处理的函数中。
def log_pic(pic_m, v):
# 对数变换算法
g = np.log2(1 + v * pic_m) / np.log2(v + 1)
img_m = (g * 255)
return img_m
对数变换后的效果.jpeg
根据结果抠图
由于是采用的k=3的聚类，对得到的结果二值化处理
# 二值化
back = pic_new.getpixel((0, 0))
pic_new = pic_new.point(lambda x: 0 if x == back else 1)
编写函数根据最终的结果在原图上抠图。
def pic_split(f, p):
# 由得到的结果在原图上抠图。
# 加载原图
pic = load_pic(f)
m, n = pic.size
# 比较与抠图
for i in range(m):
for j in range(n):
if p.getpixel((i, j)) == 0:
pic.putpixel((i, j), 0)
return pic
最终效果
对代码进一步修改，得到的最终结果如下：
最终结果.jpeg
完整代码
import numpy as np
import PIL.Image as image
from PIL import ImageFilter
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
def log_pic(pic_m, v):
# 对数变换算法
g = np.log2(1 + v * pic_m) / np.log2(v + 1)
img_m = (g * 255)
return img_m
def load_pic(pic_path):
# 加载图片并缩放
with open(pic_path, 'rb') as f:
pic = image.open(f)
# 缩放
m, n = pic.size
S_x = 100
S_y = int((S_x / m) * n)
pic = pic.resize((S_x, S_y), image.ANTIALIAS)
return pic
def pic_change(pic):
# 预处理，滤波与对数变换
# 滤波
pic = pic.filter(ImageFilter.RankFilter(5, 24))
m, n = pic.size
data = []
for i in range(m):
for j in range(n):
x, y, z = pic.getpixel((i, j))
data.append([x / 256.0, y / 256.0, z / 256.0])
d = np.mat(data)
# 对数变换
d = log_pic(d, 10)
return d, m, n
def pic_split(f, p):
# 由得到的结果在原图上抠图
# 加载原图
pic = load_pic(f)
m, n = pic.size
# 比较与抠图
for i in range(m):
for j in range(n):
if p.getpixel((i, j)) == 0:
pic.putpixel((i, j), 0)
return pic
def km_pic(f):
# 图像分割
pic = load_pic(f)
img_data, row, col = pic_change(pic)
# 聚类
label = KMeans(n_clusters=3).fit_predict(img_data)
label = label.reshape([row, col])
pic_new = image.new("L", (row, col))
for i in range(row):
for j in range(col):
pic_new.putpixel((i, j), int(256 / (label[i][j] + 1)))
# 滤波
pic_new = pic_new.filter(ImageFilter.ModeFilter(7))
# 二值化
back = pic_new.getpixel((0, 0))
pic_new = pic_new.point(lambda x: 0 if x == back else 1)
# 抠图
pic_new = pic_split(f,pic_new)
return pic_new
f1 = 'F:/g.jpg'
f2 = 'F:/k.jpg'
f3 = 'F:/q.jpg'
f4 = 'F:/t.jpg'
p1 = image.open(f1)
p2 = image.open(f2)
p3 = image.open(f3)
p4 = image.open(f4)
plt.subplot(241)
plt.imshow(p1)
plt.subplot(242)
plt.imshow(p2)
plt.subplot(243)
plt.imshow(p3)
plt.subplot(244)
plt.imshow(p4)
plt.subplot(245)
plt.imshow(km_pic(f1))
plt.subplot(246)
plt.imshow(km_pic(f2))
plt.subplot(247)
plt.imshow(km_pic(f3))
plt.subplot(248)
plt.imshow(km_pic(f4))
plt.show()
