【阿旭机器学习实战】系列文章主要介绍机器学习的各种算法模型及其实战案例，欢迎点赞，关注共同学习交流。

本文使用无监督学习算法K-means聚类算法通过对图片颜色点进行聚类的方式，达到降低图片存储空间的目的。

对于KMeans聚类算法原理的介绍，请参考之前的博文《【阿旭机器学习实战】【16】KMeans算法介绍及实战：利用KMeans进行足球队分类》

目录

• 前言
• 1. 加载图片及特征处理
• 2. 进行KMeans聚类建模
• 3. 使用算法对原始图片进行聚类
• 4. 展示原始图片与使用64个聚类中心聚类后的图片
• 5. 图片存储方式

前言

在如今的互联网时代，网络上充满了海量的数据，当然也包括很多图片。因此图像压缩技术对于压缩图像和减少存储空间变得至关重要。

本文我们将使用无监督学习算法K-means聚类算法通过对图片颜色点进行聚类的方式，达到降低图片存储空间的目的。

图像由称为像素的几个强度值组成。在彩色图像中, 每个像素为3个字节, 每个像素包含RGB(红-蓝-绿)值, 该值具有红色强度值, 然后是蓝色, 然后是绿色强度值。

具体方法如下：

1. 使用K均值聚类算法将图片相似的颜色归为不同的” k”个聚类(例如k = 64)，每个簇质心(RGB值)代表其各自簇的RGB颜色空间中的颜色矢量。

2. 根据Kmeans算法找出图片上每个像素点对应的簇质心(RGB值)的标号值。

3. 图片存储时，我们只需存储每个像素的标签编号, 并保留每个聚类中心的颜色向量的记录，根据编号及这个聚类中心颜色向量就可以告诉该像素所属的集群，即RGB值。

由上述存储方式可以看出，图片单个像素点的存储由RGB的3个字节，变为了只需存储一个标签编号的数字。存储空间只需原来的30%左右。

1. 加载图片及特征处理

from sklearn import datasets
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# 加载图片
china = datasets.load_sample_image("china.jpg")
plt.imshow(china)

在这里插入图片描述

china.dtype

dtype('uint8')

china.shape

(427, 640, 3)

# 除以255，将像素点的值变为0-1之间
china = china/255

h,w,d = china.shape

# 把像素点展开
img_array = china.reshape((h*w,d))

img_array.shape

(273280, 3)

# 把像素点随机打乱
from sklearn.utils import shuffle
img_array_shuffle = shuffle(img_array,random_state=0)

plt.imshow(img_array_shuffle.reshape((h,w,d)))

在这里插入图片描述

2. 进行KMeans聚类建模

from sklearn.cluster import KMeans
# 用64个聚类来划分这些像素点
km = KMeans(n_clusters=64,random_state=0)

# 仅用前1000个像素点进行模型训练
km.fit(img_array_shuffle[:1000])

KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
    n_clusters=64, n_init=10, n_jobs=1, precompute_distances='auto',
    random_state=0, tol=0.0001, verbose=0)

# 表示这1000个样本对应的聚类标签，展示前100个标签编号
km.labels_[:100]

array([22, 36,  8, 56, 38, 42, 22, 31,  7,  2, 55, 31, 62, 21, 52, 43, 31,
       18,  2,  4, 31, 56, 21,  2, 15,  5,  6, 49, 57, 13,  5, 21, 21,  3,
       21, 47, 21,  2, 47, 32,  5, 42,  5, 33, 45, 56,  5, 57,  2, 38, 47,
        6, 50, 50, 27, 62, 56, 57, 30, 28,  6,  5, 26, 24, 58, 44,  8, 21,
       58, 60, 10, 56, 31, 10, 41,  5, 62, 41, 22,  6, 38, 25, 57, 36, 28,
       21, 49,  2, 21, 48, 14, 15, 57, 22, 47, 63, 47,  2, 41, 34])

# # 用聚类中心点的颜色来代表这个聚类的颜色,展示前10个聚类中心
km.cluster_centers_[:10] 

array([[0.62570806, 0.60261438, 0.53028322],
       [0.15546218, 0.1557423 , 0.12829132],
       [0.82063983, 0.89896801, 0.98462332],
       [0.42039216, 0.43843137, 0.2227451 ],
       [0.69527105, 0.74994233, 0.76516724],
       [0.92174422, 0.9556336 , 0.99514194],
       [0.07058824, 0.0754637 , 0.0508744 ],
       [0.28205128, 0.26395173, 0.19638009],
       [0.46509804, 0.43372549, 0.36901961],
       [0.71328976, 0.41960784, 0.31851852]])

3. 使用算法对原始图片进行聚类

# 用km模型去对原图进行聚类
labels = km.predict(img_array)

创建一个函数用于重新合成图片

def recreate_img(centers,labels,h,w):
    # 行数的作用是将每个像素点的值，用对应编号的聚类中心代替
    # 按照h和w创建一个空白图片
    img = np.zeros((h,w,3))
    # 通过for循环，遍历img中每一个点，并且从labels中取出下标对应的聚类重新给img赋值
    label_index = 0
    for i in range(h):
        for j in range(w):
            img[i][j] = centers[labels[label_index]]
            label_index += 1
    return img

img_re = recreate_img(km.cluster_centers_, labels, h, w)

4. 展示原始图片与使用64个聚类中心聚类后的图片

plt.figure(figsize=(12,6))
axes1 = plt.subplot(121)
axes1.imshow(china)
axes1.set_title("Instaces")

axes2 = plt.subplot(122)
axes2.imshow(img_re)
axes2.set_title("64 colors,K-Means")

Text(0.5,1,'64 colors,K-Means')

在这里插入图片描述

5. 图片存储方式

1. 存储上面的图片每个像素点对应的聚类编号：labels, 形状为：(273280,)
2. 存储每个聚类编号对应聚类中心RGB值：km.cluster_centers_。形状为：(64, 3)

依据以上labels与km.cluster_centers_，我们即可还原出聚类之后的图片。相对于原始数据存储量降低了60%以上。

如果内容对你有帮助，感谢点赞+关注哦！

更多干货内容持续更新中…