花卉图像分割项目：背景、解决方案与详细注释代码

一、项目背景

图像分割是计算机视觉核心任务之一，旨在将图像划分为具有语义意义的不同区域，广泛应用于花卉分类、农业病虫害检测、医学影像分析、自动驾驶等领域。
花卉图像的颜色分布具有连续性和多峰性（花瓣、叶片、花萼、背景的颜色分别呈高斯分布特征）：

• 传统阈值分割仅适用于对比度高、颜色单一的场景，无法适配花卉颜色的复杂分布；
• K-Means等硬聚类算法仅输出“非此即彼”的聚类标签，无法捕捉颜色的概率分布特征；
• 高斯混合模型（GMM）作为概率型软聚类算法，能拟合像素颜色的多峰高斯分布，输出每个像素属于不同区域的概率，更精准实现花卉图像的无监督分割。
  

二、解决问题的方案

本项目针对花卉图像的颜色分布特性，采用GMM算法实现无监督图像分割，核心流程如下：

三、详细注释代码

# ====================== 1. 导入核心库（按功能分类，标注导入原因） ======================
# 导入高斯混合模型（GMM）：
# - 核心算法，基于概率的软聚类，适配RGB像素的连续高斯分布特征，优于硬聚类的K-Means
# - 支持无监督学习，无需标注图像分割的真实标签
from sklearn.mixture import GaussianMixture

# 导入层次聚类（备用算法）：
# - 本项目未实际使用，仅作为扩展备选（适用于需要层级关系的图像分割场景）
from sklearn.cluster import AgglomerativeClustering

# 导入matplotlib绘图库：
# - 核心功能：可视化图像分割结果，直观展示聚类效果
# - 依赖pyplot子库实现图像绘制、显示等操作
import matplotlib.pyplot as plt

# 导入PIL的Image模块：
# - Python Imaging Library，专业的图像读取/处理工具
# - 支持常见图像格式（PNG/JPG等），兼容numpy数组转换
from PIL import Image

# 导入numpy库：
# - 数值计算核心库，实现图像数据的数组转换、维度变换、数学运算
# - GMM模型仅接受numpy数组作为输入，需通过numpy处理图像数据
import numpy as np

# 导入matplotlib核心配置模块：
# - 用于全局配置matplotlib参数（如字体、负号显示），解决中文渲染问题
import matplotlib as mpl  

# ====================== 2. 解决matplotlib中文显示问题（关键配置） ======================
# 设置全局字体为SimHei（Windows系统自带黑体）：
# - 解决matplotlib默认字体不支持中文导致的"Glyph缺失"警告
# - 跨系统适配：Mac替换为'Arial Unicode MS'，Linux替换为'WenQuanYi Micro Hei'
mpl.rcParams['font.sans-serif'] = ['SimHei']  

# 关闭坐标轴负号的Unicode编码异常：
# - 避免负号（如-1）显示为方块或乱码，保证图表元素完整
mpl.rcParams['axes.unicode_minus'] = False  

# ====================== 3. 图像读取与预处理（数据准备阶段） ======================
# 读取花卉图像文件：
# - 使用绝对路径避免相对路径错误，r前缀防止转义字符（如\）失效
# - Image.open()返回PIL图像对象，包含图像的尺寸、像素值等元信息
im = Image.open(r"")

# 动态获取图像尺寸（核心：替代硬编码，适配任意尺寸图像）：
# - PIL的im.size返回元组(宽度, 高度)，与numpy数组的(高度, 宽度, 3)维度对应
# - 打印尺寸用于调试，验证后续重塑操作的正确性
width, height = im.size
print(f"原始图像尺寸：宽度={width}, 高度={height}")

# 图像数据格式转换与展平：
# 1. np.array(im)：将PIL图像转为三维numpy数组，形状为(高度, 宽度, 3)（3=RGB三通道）
# 2. reshape((-1, 3))：展平为二维数组，-1表示自动计算像素总数（高度×宽度）
#    最终形状为(像素总数, 3)，每个行向量代表一个像素的RGB值，适配GMM的输入要求（样本数×特征数）
newdata = np.array(im).reshape((-1, 3))
print(f"展平后像素数据形状：{newdata.shape}")  # 打印验证：应为(高度×宽度, 3)

# ====================== 4. GMM模型构建与训练（核心算法阶段） ======================
# 初始化GMM模型（参数精细化配置）：
# - n_components=4：聚类类别数，适配花卉图像的4个核心区域（花瓣/叶片/花萼/背景）
# - covariance_type="tied"：协方差类型，所有聚类共享同一协方差矩阵
#   协方差类型选择依据：
#   - full：每个聚类独立协方差（精度高，计算复杂度高）
#   - diag：对角协方差（仅保留对角线元素）
#   - spherical：球形协方差（各维度方差相同，等价于K-Means）
#   - tied：共享协方差（计算快，适配颜色分布集中的花卉图像）
gmm = GaussianMixture(n_components=4, covariance_type="tied")

# 训练GMM模型：
# - fit(newdata)：基于展平的RGB像素数据拟合模型
# - 内部执行EM算法：
#   E步：计算每个像素属于各聚类的后验概率（责任）
#   M步：更新聚类的均值、协方差、混合系数
# - 最终学习到4个颜色聚类的概率分布特征
gmm = gmm.fit(newdata)

# ====================== 5. 聚类预测与结果重塑（像素级分割阶段） ======================
# 预测每个像素的聚类标签：
# - predict(newdata)：硬聚类预测，为每个像素分配概率最大的聚类标签（0-3的整数）
# - 替代方案（软聚类）：predict_proba(newdata)返回每个像素属于4类的概率，可设置阈值筛选
cluster = gmm.predict(newdata)

# 重塑聚类结果为原始图像尺寸：
# - reshape(height, width)：将一维标签数组（像素总数,）转为二维数组（高度, 宽度）
# - 维度对应关系：height=原始图像高度，width=原始图像宽度，保证可视化时与原图尺寸一致
cluster = cluster.reshape(height, width)
print(f"重塑后聚类结果形状：{cluster.shape}")  # 打印验证：应为(高度, 宽度)

# ====================== 6. 分割结果可视化（结果验证阶段） ======================
# 创建绘图窗口并设置尺寸：
# - figure(figsize=(8, 6))：设置窗口大小为8×6英寸，适配显示器显示比例
plt.figure(figsize=(8, 6))  

# 绘制聚类结果：
# - imshow(cluster)：将二维标签数组渲染为图像，不同标签对应不同颜色
# - cmap='viridis'：matplotlib内置配色方案，颜色区分度高，无中文依赖，避免渲染问题
plt.imshow(cluster, cmap='viridis')  

# 设置图表标题：
# - 中文标题可正常显示（已配置SimHei字体），清晰说明图表含义
plt.title("GMM图像分割结果（4类）")  

# 隐藏坐标轴：
# - axis('off')：移除x/y轴的刻度和边框，聚焦展示图像分割结果
plt.axis('off')  

# 自动调整布局：
# - tight_layout()：自动调整子图间距，避免标题/图像边缘被裁剪
plt.tight_layout()  

# 显示绘图窗口：
# - show()：弹出窗口展示分割结果，可直观查看花瓣、叶片、背景的划分效果
plt.show()

四、关键说明

1. 模型参数可调性：n_components可根据花卉类型调整（如复杂背景设为5类），covariance_type可改为full提升分割精度（代价是计算时间增加）；
2. 扩展方向：可结合predict_proba实现软分割（如保留概率>0.95的像素），或与边缘检测算法结合优化分割边界；
3. 结果解读：可视化结果中不同颜色代表不同的图像区域，可通过统计各区域的像素占比，进一步分析花卉的结构特征。

运行结果

'''
原始图像尺寸：宽度=474, 高度=315
展平后像素数据形状：(149310, 3)
重塑后聚类结果形状：(315, 474)

进程已结束，退出代码为 0```
'''

简洁版

from sklearn.mixture import GaussianMixture
from sklearn.cluster import AgglomerativeClustering
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import matplotlib as mpl

# 配置matplotlib中文显示
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False

# 读取并预处理图像
im = Image.open(r"")
width, height = im.size
print(f"原始图像尺寸：宽度={width}, 高度={height}")

newdata = np.array(im).reshape((-1, 3))
print(f"展平后像素数据形状：{newdata.shape}")

# 构建并训练GMM模型
gmm = GaussianMixture(n_components=4, covariance_type="tied")
gmm.fit(newdata)

# 预测并重塑聚类结果
cluster = gmm.predict(newdata)
cluster = cluster.reshape(height, width)
print(f"重塑后聚类结果形状：{cluster.shape}")

# 可视化分割结果
plt.figure(figsize=(8, 6))
plt.imshow(cluster, cmap='viridis')
plt.title("GMM图像分割结果（4类）")
plt.axis('off')
plt.tight_layout()
plt.show()