import numpy as np

import PIL.Image as image

from sklearn.cluster import KMeans

def loadData(filePath):

    f = open(filePath, 'rb') #二进制形式打开文件

    data = []

    img = image.open(f)

    m, n = img.size #获取图片的大小

    for i in range(m): #将每个像素点RGB颜色处理到0-1

        for j in range(n):

            x, y, z = img.getpixel((i, j)) #黑色为0，0，0 有颜色就好像是其他数字

            #print(x, y, z)

            data.append([x/256.0, y/256.0, z/256.0]) #二维列表[0.0, 0.0, 0.0]

    f.close()

    #print(data)

    return np.mat(data), m, n #以矩阵形式返回data，以及图片大小

imgData, row, col = loadData('D:/python_source/Machine_study/mooc课程数据/课程数据/基于聚类的整图分割/bull.jpg')

#print(imgData, row, col)

label = KMeans(n_clusters=4).fit_predict(imgData)

#聚类获得每个像素所属的类别

label = label.reshape([row, col]) #二维列表

#print(label)

pic_new = image.new("L", (row, col)) #创建一张新的灰度图保存聚类后的效果

for i in range(row): #i，j为图片像素，例如 640*480.   根据所属类别向图片中添加灰度值

    for j in range(col):

        pic_new.putpixel((i, j), int(256/(label[i][j]+1)))

pic_new.save("result-bull-4.jpg", "JPEG")