数组可以进行聚类，并找到数组的聚类中心。使用的第三方库是scipy，需要pip install scipy，先安装该库。数组聚类代码：
import numpy as np
from scipy.cluster.vq import vq, kmeans, whiten
import matplotlib.pyplot as plt
fe = np.array([[1.9,2.0],
[1.7,2.5],
[1.6,3.1],
[0.1,0.1],
[0.8,0.3],
[0.4,0.3],
[0.22,0.1],
[0.4, 0.3],
[0.4,0.5],
[1.8,1.9]])
book = np.array((fe[0], fe[1]))
print(type(book))
print("book:n",book)
codebook, distortion = kmeans(fe,book)
print("codebook:",codebook)
print("distortion:",distortion)
plt.scatter(fe[:,0],fe[:,1],c="g")
plt.scatter(codebook[:,0],codebook[:,1],c="r")
plt.show()#红色的为聚类中心
运行结果：
二、色彩聚类提取图像颜色是由不同的RGB数值组成的，因此除了数字，图像色彩同样可以进行聚类。并利用之前学过的Pycharm flask框架，将结果加载到网页中显示。
思路是先生成图像缩略图，对缩略图聚类，得到每个点的RGB值，再利用算法将色彩聚类，并得到聚类中心。色彩聚类最常使用的算法是Kmeans。
K均值聚类算法：一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
Python部分代码：
from flask import Flask,render_template
import numpy as np
from PIL import Image
from scipy.cluster.vq import vq, kmeans, whiten
import imageColor
app = Flask(__name__)
#用缩略图聚类
def colorz(filename, n=3):
img=Image.open(filename)
img=img.rotate(-90)
img.thumbnail((200,200))
w,h=img.size
print(w,h)
print('w*h=',w*h)
points=[]
for count,color in img.getcolors(w*h):
points.append(color)
return points
#对色彩聚类
def kmeansColor(img,n):
points=colorz(img,3)
fe = np.array(points,dtype=float)
codebook, distortion = kmeans(fe,n)
centers=np.array(codebook,dtype=int)
return centers
@app.route("/")
def index():
#genframe()
pic = "static/fall.png"
imgcolors = imageColor.kmeansColor("static/fall.png",5)
return render_template("imageColor.html", pic1=pic, imgcolors=imgcolors)
if "__main__" == __name__ :
app.run()
html部分代码：
聚类色彩提取
聚类色彩提取
{{imgcolors}}
{% for c in imgcolors %}
色彩提取
{% endfor %}
运行结果：
