Python图像聚类：特征提取、PCA降维及2D散点图绘制方法求助

可以用scikit-learn提取图像特征吗？ #

当然可以，不过scikit-learn本身没有专门的图像特征提取API（新手作业一般用最基础的像素特征即可）。最直接的做法是把图像的像素值作为特征，步骤如下：

• 用PIL.Image或opencv-python读取目录中的每张图像，转换成数值数组
• 将二维的图像数组（比如28×28）展平成一维向量（比如784维），这个一维向量就是该图像的特征
• 把所有图像的特征向量组合成特征矩阵（行数=图像数量，列数=特征维度）

示例代码片段：

from PIL import Image
import os
import numpy as np

# 指定图像目录
img_dir = "你的图像目录路径"
features = []

for filename in os.listdir(img_dir):
    if filename.endswith(('.png', '.jpg', '.jpeg')):
        # 读取图像并转成灰度图（可选，减少特征维度）
        img = Image.open(os.path.join(img_dir, filename)).convert('L')
        # 把图像转成数组并展平
        img_array = np.array(img).flatten()
        features.append(img_array)

# 转成numpy数组，用于后续PCA
X = np.array(features)

如何用scikit-learn做PCA并绘制2D散点图？ #

第一步：PCA降维 #

用scikit-learn的PCA类把高维特征降到2维：

from sklearn.decomposition import PCA

# 初始化PCA，指定降维到2维
pca = PCA(n_components=2)
# 对特征矩阵做拟合+转换，得到2D数据
X_2d = pca.fit_transform(X)

第二步：绘制2D散点图 #

用matplotlib绘制散点图，这是Python最常用的绘图库：

import matplotlib.pyplot as plt

# 绘制散点图，x是第一维，y是第二维
plt.scatter(X_2d[:, 0], X_2d[:, 1])

# 添加图表元素
plt.title('PCA 2D 图像分布')
plt.xlabel('PCA Component 1')
plt.ylabel('PCA Component 2')

# 显示图像
plt.show()

如果你的图像有类别标签（比如猫/狗），还可以给不同类别设置不同颜色：

# 假设labels是每个图像的类别标签数组（比如0和1）
plt.scatter(X_2d[:, 0], X_2d[:, 1], c=labels, cmap='viridis')
plt.colorbar(label='类别')
plt.show()

内容的提问来源于stack exchange，提问作者user23321016