机器学习中的聚类算法用于弄清非结构化数据集，例如检测异常或异常值。 但是此算法的一个有趣用例是找到主色或找到图像的调色板。
通常，图像将具有数百万种颜色，但是它们遵循调色板或配色方案。 因此，使用聚类将相似颜色（按其像素值排序，RGB）聚类在一起。 之后，只需找到群集中心并将该颜色值应用于群集的其余部分即可。
我已经使用K-Means聚类算法来进行聚类。 要处理图像并找到聚类质心，首先，将图像加载到Numpy数组，然后将除以255的颜色范围从0到255的值进行展平。
im = cv2.imread（“ test_image.jpeg”）
im_flat = np.divide（im，255）
现在我们已经将图像加载到形状为（3204、4271、3）的Numpy数组中，我们需要通过重塑将其转换为较小尺寸的数组，因为我们不关心像素颜色值，而不是像素位置。 重塑后，数组变为（13684284，3）。
X = im_flat.reshape（-1，3）
现在在输入数组上运行聚类算法将为我们提供所需的聚类中心。 这里使用Scikit-learn中的K-Means集群API。
K = 8
kmeans = KMeans（n_clusters = K，random_state = 0，verbose = 0，max_iter = 5）.fit（X）
在这种情况下，群集数选择为8。 在运行算法之后，将属于聚类的像素值分配给位于聚类中心的像素值。
X_recovered = kmeans.cluster_centers_ [kmeans.labels_，：]。reshape（im.shape）
X_recovered = X_recovered * 255
这是我最近遇到的一种有趣的聚类算法用法。 它可用于查找主要颜色或查找调色板并用于为其他图像着色。
我尝试过的Jupyter笔记本在这里提供。
谢谢。
