image.png

逻辑梳理

• 对于电脑来说，每种颜色都会有一个对应RGB值，比如黑色是[0,0,0]，白色是[255,255,255]，所以RGB模式下，最多可以区分16581375(255的三次方)种颜色。
• 另外我们知道，一张图片的大小与分辨率正相关，但其实也与图片颜色的复杂度是正相关的，相同分辨率的情况下，一张纯色图片是比一张五彩斑斓的图片要小的。
• 一张分辨率为100*100的图片，其实就是由10000个RGB值组成。所以我们要做的就是对于这10000个RGB值聚类成K个簇，然后使用每个簇内的质心点来替换簇内所有的RGB值，这样在不改变分辨率的情况下使用的颜色减少了，图片大小也就会减小了。

内容

导入包

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.cluster import KMeans  #导入kmeans
from sklearn.utils import shuffle
import numpy as np
from skimage import io
import warnings

warnings.filterwarnings('ignore')

图片读取

original = mpl.image.imread('Yosemite 5.jpg') 
width,height,depth = original.shape
temp = original.reshape(width*height,depth)
temp = np.array(temp, dtype=np.float64) / 255

图像读取完我们获取到的其实是一个width*height的三维矩阵（width，height是图片的分辨率）

训练模型

original_sample = shuffle(temp, random_state=0)[:1000] #随机取1000个RGB值作为训练集
def cluster(k):
    estimator = KMeans(n_clusters=k,n_jobs=8,random_state=0)#构造聚类器
    kmeans = estimator.fit(original_sample)#聚类   
    return kmeans

我们只随机取了1000组RGB值作为训练，k表示聚类成 k个簇，对于本文就是K种颜色。

RGB值转化为图像

def recreate_image(codebook, labels, w, h):
    d = codebook.shape[1]
    image = np.zeros((w, h, d))
    label_idx = 0
    for i in range(w):
        for j in range(h):
            image[i][j] = codebook[labels[label_idx]]
            label_idx += 1
    return image

聚类

我们选取了32，64，128三个K值来做比较：

kmeans = cluster(32)
labels = kmeans.predict(temp)
kmeans_32 = recreate_image(kmeans.cluster_centers_, labels,width,height)
kmeans = cluster(64)
labels = kmeans.predict(temp)
kmeans_64 = recreate_image(kmeans.cluster_centers_, labels,width,height)
kmeans = cluster(128)
labels = kmeans.predict(temp)
kmeans_128 = recreate_image(kmeans.cluster_centers_, labels,width,height)

画图并保存

plt.figure(figsize = (15,10))
plt.subplot(2,2,1)
plt.axis('off')
plt.title('Original image')
plt.imshow(original.reshape(width,height,depth))
plt.subplot(2,2,2)
plt.axis('off')
plt.title('Quantized image (128 colors, K-Means)')
plt.imshow(kmeans_128)
io.imsave('kmeans_128.png',kmeans_128)
plt.subplot(2,2,3)
plt.axis('off')
plt.title('Quantized image (64 colors, K-Means)')
plt.imshow(kmeans_64)
io.imsave('kmeans_64.png',kmeans_64)
plt.subplot(2,2,4)
plt.axis('off')
plt.title('Quantized image (32 colors, K-Means)')
plt.imshow(kmeans_32)
io.imsave('kmeans_32.png',kmeans_32)
plt.show()

结果如下：

差别还是比较明显的，随着颜色变少，图片也越来越马赛克了。

其实对于图片压缩这块，各大互联网公司投入人力优化，在保证图片清晰的情况下，减小文件大小，这样一能为公司节省一大笔带宽费用，二也能让用户更快的加载出图片，提升用户体验。
这篇文章也只是我在学k-means时候看到的一个案例，对于图片压缩只是很小的一部分，写这片文章的时候我也查了下相关的知识，真要下功夫研究，可是一门大学问。
最后：
peace~