K-means는 클러스터링 알고리즘 입니다.
목표는 n개의 데이터 포인트를 k개의 클러스터로 분할하는 것입니다 . n개의 데이터 포인트 각각은 가장 가까운 평균을 갖는 클러스터에 할당됩니다. 각 클러스터의 평균을 "센트로이드" 또는 "센터"라고합니다.
전반적으로, k-means를 적용하면 원래 n개의 데이터 포인트의 k 개의 클러스터가 생성 됩니다. 특정 클러스터 내부의 데이터 포인트는 다른 클러스터에 속한 데이터 포인트보다 서로 "더 유사" 하다고 간주됩니다.
여기서는 RGB 이미지의 픽셀 강도를 클러스터링합니다. MxN 크기의 이미지가 주어지면 MxN 픽셀을 가지며 각 픽셀은 각각 빨강, 녹색 및 파랑의 세가지 구성요소로 구성됩니다.
이 MxN 픽셀을 데이터 포인트로 처리하고 k- 평균을 사용하여 클러스터링합니다.
주어진 클러스터에 속한 픽셀은 개별 클러스터에 속한 픽셀보다 색상이 유사합니다.
k-means의 한 가지 주의사항은 우리가 미리 생성하고자 하는 클러스터의 수를 지정해야한다는 것 입니다. k의 최적값을 자동으로 선택하는 알고리즘이 있지만 이러한 알고리즘은 이 게시물의 범위를 벗어납니다.
k-means 클러스터링을 우리 자신의 이미지에 적용하는 것이 좋습니다. 일반적으로 클러스터 수가 적을수록 ( k <= 5 ) 최상의 결과를 얻을 수 있습니다.
블로그 원문
유사 내용의 다른 코드
http://charlesleifer.com/.../using-python-and-k-means-to.../
그러나 k-means 알고리즘의 확장으로, 특히 베이지안 정보 기준 (Bayesian Information Criterion, BIC)을 사용하여 k의 최적값을 찾는 X- means에 대한 확장이 있습니다.
색상 기반 세분화에 관심이 있다면 scikit-image 서브패키지를 살펴보십시오.