環(huán)境配置

(1) 導(dǎo)入opencv，參考鏈接

https://blog.csdn.net/Aer_7z/article/details/132612369

(2) 安裝numpy
激活虛擬環(huán)境的前提下，輸入：

pip install numpy

(3) 安裝sklearn
激活虛擬環(huán)境的前提下，輸入：

pip install scikit-learn

代碼測(cè)試

在pycharm端運(yùn)行下列代碼（在同一目錄下放置一張名為image.jpg的圖片）。

import cv2
import numpy as np
from sklearn.cluster import KMeans# 加載圖像
image = cv2.imread("image.jpg", 0)  # 使用灰度模式加載圖像# 創(chuàng)建 SIFT 特征提取器對(duì)象
sift = cv2.SIFT_create()# 檢測(cè)關(guān)鍵點(diǎn)和計(jì)算特征描述符
keypoints, descriptors = sift.detectAndCompute(image, None)# 將特征描述符存儲(chǔ)在 features 變量中
features = np.array(descriptors)# 假設(shè)你已經(jīng)提取了局部特征并將其存儲(chǔ)在 features 變量中，features 是一個(gè) N × D 的矩陣，
# 其中 N 是特征數(shù)量，D 是每個(gè)特征的維度# 聚類算法的參數(shù)設(shè)置
num_clusters = 100  # 聚類簇的數(shù)量# 創(chuàng)建聚類算法對(duì)象
kmeans = KMeans(n_clusters=num_clusters)# 執(zhí)行聚類算法
kmeans.fit(features)# 獲取每個(gè)局部特征的聚類標(biāo)簽
labels = kmeans.labels_# 獲取聚類中心
centroids = kmeans.cluster_centers_# 輸出每個(gè)特征的聚類標(biāo)簽和聚類中心
for i in range(len(features)):print("特征", i, "的聚類標(biāo)簽:", labels[i])print("\n聚類中心:")
for i in range(num_clusters):print("聚類", i, "的中心:", centroids[i])

至此，結(jié)束