以下是使用k-means算法进行图像分割的实验代码：
import numpy as npfrom PIL import Imageimport matplotlib.pyplot as plt# 读入图片数据img = np.array(Image.open("ladybug.png")) # 读取图片，转为numpy数组plt.imshow(img)plt.show()# 将数据转化成可以处理的数据维度（n行，3）pixels = img.reshape(-1, 3)def k_means(data, k, max_iter=100):# 随机从数据中选择k个初始质心centroids = data[np.random.choice(range(len(data)), k)]for _ in range(max_iter):# 初始化一个向量保存每个样本点对应的质心索引labels = np.zeros(len(data))# 计算每个样本点和每个质心的距离distances = np.linalg.norm(data[:, np.newaxis] - centroids, axis=-1)# 选择样本点距离k个质心的最小距离所在的索引作为聚类标签labels = np.argmin(distances, axis=-1)# 更新质心为每个聚类的均值for i in range(k):centroids[i] = np.mean(data[labels == i], axis=0)return labels, centroids# 主函数进行图像分割def image_segmentation(image_path, k=2, max_iter=100):img = np.array(Image.open(image_path)) # 读取图片，转为numpy数组pixels = img.reshape(-1, 3) # 将数据转化成可以处理的数据维度（n行，3）labels, centroids = k_means(pixels, k, max_iter) # 进行k-means聚类# 将数据转换成图片格式segmented_img = centroids[labels].reshape(img.shape)return segmented_img# 测试效果segmented_img = image_segmentation("ladybug.png", k=2, max_iter=100)# 输出分割结果plt.imshow(segmented_img)plt.show()
注意：此代码仅为示例，实际使用中可能需要根据具体情况进行调整和优化。
内容由零声教学AI助手提供，问题来源于学员提问
