sklearn 库是最为常用且经典的机器学习库，里面封装了许多机器学习算法，此篇文章使用此库中的 KMeans 算法，从而实现图像的聚类分割。
本文不讲理论，只谈应用。
引入库
除了 sklearn 库之外，还需要一些图像处理的库，我引入了如下几个库：
import numpy as np
import pylab as plt
import PIL.Image as image
from sklearn.cluster import KMeans
读入图片
我使用了 pylab 库来读入图片：
img = plt.imread('E:/图片/壁纸/001.jpg')
此时读入的 img 是一个三维 numpy 数组，其形状为 (height, width, 3) ，其中3是指通道数，即 RGB 三个通道。
但是，KMeans 传入的参数必须是二维数组，故，还需要将其打散为二维：
img1 = img.reshape((img.shape[0]*img.shape[1], 3))
构建 KMeans
在此构建时，只需要使用最简单的方法即可：
k = 3
kmeans = KMeans(n_clusters=k)
参数有很多，我在构建的时候除了 n_clusters 都使用的默认值：
-
n_clusters：聚类数，即聚为几类
使用 KMeans 聚类
然后，使用 fit() 进行训练：
kmeans.fit(img1)
聚类之后，有很多参数，比较重要的，以及此处需要用到的主要有俩：
-
kmeans.labels_：聚类的结果，是一个一维numpy数组，包含了每一个数据所属的类别。比如，如果聚3类，便可能是：[0, 0, 0, 1, 2, ..., 2, 1] -
kmeans.cluster_centers_：迭代完成后的聚类中心，是一个2维的numpy数组，形状为(k, 3)【k是聚类数，3通道】
重新填色
聚类完成之后，需要将每个像素点重新填色，将同一类的像素点均填为此类聚类中心的颜色。
在此之前，首先需要得到图片的高度和宽度：
height = img.shape[0]
width = img.shape[1]
首先用 image.new() 重新创建一个图片，其语法如下：
pic_new = image.new("RGB", (width, height))
- 第一个参数：一个字符串，表示图片类型。
RGB表示常见的RGB彩图；如果是L，表示为灰度图。 - 第二个参数，一个长度为2的元组：高宽。
然后需要用 putpixel() 方法来填充像素，但是在此之前，还需要处理几个小细节：
更改数据类型
RGB图中，每个通道都是 0-255 之间的整数，但是，kmeans.cluster_centers_ 中元素类型却是 float64，故在填充之前，还需要小小处理一番，将元素变为 int32 类型的。
center = np.zeros([k, 3])
for i in range(k):
for j in range(3):
center[i, j] = kmeans.cluster_centers_[i, j]
center = center.astype(np.int32)
直接转变类型不太合适，因为 kmeans.cluster_centers_ 毕竟是类似于一个属性值的东西，而且这个名字太长，换一个简短的也是好的。故重新复制一份再使用 astype 更改数据类型即可。
恢复被打平的结果
上面便提到，kmeans.labels_ 是一个一维数组，但是图片是二维的，所以将其恢复过来即可：
label = kmeans.labels_.reshape((height, width))
然后便可以填充像素了：
for i in range(height):
for j in range(width):
pic_new.putpixel((j, i), tuple((center[label[i][j]])))
这里需要注意 putpixel() 方法，其的两个参数：
- 第一个参数，是新图片的坐标，如果输入的是
(i, j)实际上填充的是(j, i)处的像素，故需要倒着写[1]。 - 第二个参数，在
RGB图像的时候，需要一个长度为3的元组，故需要tuple()将其由numpy转换为元组。
最后保存图片即可：
pic_new.save("D:/K=3.jpg", "JPEG")
结果展示
我使用了王者荣耀大乔的图片来做测试：
