-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathkmeans.py
111 lines (89 loc) · 5.65 KB
/
kmeans.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
class kmeans:
""" L'algorithme de k-means"""
def __init__(self,k,data):
self.nbr_Data = np.shape(data)[0] #nombre de pixels
self.nDim = np.shape(data)[1] #nombre de couleurs par pixel
self.k = k #nombre de clusters
def kmeanstrain(self,data,maxIterations=10):
# trouver la valeur minimum et la valeur maximum de chaque feature(variable couleur)
val_minima = data.min(axis=0)
val_maxima = data.max(axis=0)
print("valeurs minimum",val_minima)
print("valeurs maximum",val_maxima)
# Initialisation de centres(centroids) aléatoirement
self.centres = np.random.rand(self.k,self.nDim)*(val_maxima-val_minima)+val_minima
oldCentres = np.random.rand(self.k,self.nDim)*(val_maxima-val_minima)+val_minima
count = 0
while np.sum(np.sum(oldCentres-self.centres))!= 0 and count<maxIterations:
oldCentres = self.centres.copy() # sauvgarder une copie pour les centoids intiale
count += 1
# Ici on va calculer la distance euclidienne entre les centroids et chaque pixel
distances = np.ones((1,self.nbr_Data))*np.sum((data-self.centres[0,:])**2,axis=1)
for j in range(self.k-1):
distances = np.append(distances,np.ones((1,self.nbr_Data))*np.sum((data-self.centres[j+1,:])**2,axis=1),axis=0)
# On va identifier les pixels les plus proches au chaque centroid
cluster = distances.argmin(axis=0)
cluster = np.transpose(cluster*np.ones((1,self.nbr_Data)))
# On va modifier(update) la valeur de centroids
data_list=[] # ici on va regrouper les pixels de chaque cluster
#fig, ax = plt.subplots()
for j in range(self.k):
# identifier l'emplacement de pixels (dans data initiale) qui sont proches au chaque centroid
thisCluster = np.where(cluster==j,1,0)
if sum(thisCluster)>0:
self.centres[j,:] = np.sum(data*thisCluster,axis=0)/np.sum(thisCluster)
# on va selectionner les pixel de chaque cluster
list_=[b for a, b in zip(thisCluster, data) if a]
data_list.append(np.array(list_))
# Afficher le nombre de groupes
print("len:",len(data_list))
return self.centres,data_list
def plot_data(self,all_data,ND):
# cette fonction a pour l'objectif de visualiser les nuage de point de l'image initiale
# en couleurant chaque cluster par une coleur differente
markers=[".","+","-","o","^"]
colors=["#FF0000","#008000","#FF00FF","#0000FF","#FF00FF","#008080","#FFFF00","#708090"]
# Representation graphique 2D
if ND=="2D":
fig, ax = plt.subplots()
for i in range(len(all_data)):
data=all_data[i]
ctr=self.centres[i]
ax.scatter(data[:,0], data[:,1], marker=".",c=colors[i])
ax.scatter(ctr[0],ctr[1], marker='o',c="#000000")
# Representation graphique 3D
if ND=="3D":
fig = plt.figure()
ax = plt.axes(projection='3d')
for i in range(len(all_data)):
data=all_data[i]
ctr=self.centres[i]
ax.scatter(data[:,0], data[:,1],data[:,2], marker=".",c=colors[i])
ax.scatter(ctr[0],ctr[1],ctr[2],s=200, marker='o',c="#000000")
ax.set_zlabel('Bleu')
ax.set_xlabel('Rouge')
ax.set_ylabel('Vert')
plt.show()
def kmeans_result(self,data):
print("------------- k-means_result -------------")
nbr_Data = np.shape(data)[0]
print("- nbr de pixels:",nbr_Data)
print("- les coordonnées de Centroids:\n",self.centres)
# calculer les distances
# commencant par le calcule de distances avec le premier center
distances = np.ones((1,nbr_Data))*np.sum((data-self.centres[0,:])**2,axis=1)
# le meme principe pour le rest
for j in range(self.k-1):
distances = np.append(distances,np.ones((1,nbr_Data))*np.sum((data-self.centres[j+1,:])**2,axis=1),axis=0)
print("- Distances.shape:",distances.shape)
# On va identifier l'emplacement de pixels les plus proches au chaque centroid
cluster = distances.argmin(axis=0)
print("- nombre de clusters:",cluster.shape[0])
print(" * le premier pixel appartient au cluster n°",cluster[0])
print(" * le 200ème pixel appartient au cluster n°",cluster[199])
#transpose pour avoir un vector
cluster = np.transpose(cluster*np.ones((1,nbr_Data)))
return cluster