通过k-means进行图像量化压缩--python实现
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~
