背景

最近看到其他公众号发的一篇文章《三个印度人改变压缩算法，一意孤行整个暑假，却因“太简单”申不到经费》，DCT是最原始的图像压缩算法

全称为Discrete Cosine Transform，即离散余弦变换

刚好小编之前做过图像、视频处理相关的研发工作，对图像处理比较感兴趣，之前也看过利用聚类进行图片颜色压缩的内容，索性就再回顾一下，分享出来供大家参考学习

聚类算法本文不再赘述，不会的同学记住核心思想即可：人以类聚，物以群分

《三个印度人改变压缩算法，一意孤行整个暑假，却因“太简单”申不到经费》https://mp.weixin.qq.com/s/l3EPCNlE0Ne3wU5YFQ65dg

题外话，三角函数中余弦函数运用的比较多，在计算向量（文本、语音向量化）的相似度，这里的离散余弦变换

原始图片，4.47MB

本文演示的图片数据，均基于该张图片，故宫.jpg

颜色压缩效果

4032*3024 行=12192768 行，也就是1219万个像素点、1219万个颜色点
压缩为10个颜色点、128个颜色点

图片数据介绍

大家都知道一个像素可以表示为R（红色 Red）、G（绿色 Green）、B（蓝色 Blue）三个数值组成，照片是一个颜色矩阵，可以理解为每行由指定的像素点排成一行组成，这样由很多行就组合成了一个图片，千万别被高级名词：三维矩阵吓到

我们可以对该图片颜色矩阵进行变换，转换为我们熟悉的二维矩阵，RGB每个颜色是一个特征列，这个矩阵一共有4032*3024 行=12192768 行，也就是1219万个像素点、1219万个颜色点

先放第一行的点，再放第二行的点，以此类推，然后每个点展开为3列，这个就是numpy里面矩阵变换时数据的变化规则

变换后结果如下图所示：

转换为二维矩阵后，是不是和平时分析的数据样式就一样了，这样就可以用来进行聚类，特征列只有3个，分别为R、G、B

确定运用的颜色个数（聚类中簇的个数）

一共有 4032*3024 行=12192768 行数据，我们要聚为几类呢？我们可以先大概取一些值，比如聚为2类、3类、5类等等，然后使用肘部法则，来大概确定一个合适的分类数（簇数）

利用SSE指标，结合肘部法则，可以确定聚为10类时，比较合适

然后用这10类的中心点坐标颜色来还原图片，相当于用10种颜色来对图片进行上色，可以看到图片基本与原图一直，除了天空有锯齿外，图片其他的地方完美显示，这时图片大小为 997KB

极端情况，聚类为2种颜色

由于原图里面蓝色较多，聚为2类时，除了有蓝色，还有暗棕色

脑洞大开，用黑白色表示

由于上面可以用2种颜色来表示，于是脑洞大开，可以用黑色与白色来试试，效果如下图所示，有点类似手绘风格的图片

完整代码

from skimage import io
# from sklearn.cluster import KMeans
from sklearn.cluster import MiniBatchKMeans  #提升聚类速度
import numpy as np
import sklearn.metrics as sm
import matplotlib.pyplot as pltnp.set_printoptions(threshold=np.inf)image = io.imread('故宫.jpg')
io.imshow(image)data=image/255.0
data=data.reshape(-1,3)SSE = []
silhouette_score = []
k = []
#簇的数量
colors=[2,3,5,10,16,32,64,128]
for n_clusters in colors:cls = MiniBatchKMeans(n_clusters,batch_size=2048).fit(data)score1 = cls.inertia_SSE.append(score1)#肘部法则，确定聚类个数
fig, ax1 = plt.subplots(figsize=(10, 6))ax1.scatter(range(1,9), SSE)
ax1.plot(range(1,9), SSE)
ax1.set_xlabel("colors",fontdict={'fontsize':15})
ax1.set_ylabel("SSE",fontdict={'fontsize':15})
ax1.set_xticks(range(1,9))
for i in range(8):plt.text(i+1, SSE[i],colors[i])plt.show()#运用10个聚类色表示图片
colors_use=10
km = MiniBatchKMeans(colors_use,batch_size=2048)
km.fit(data)
new_data = km.cluster_centers_[km.predict(data)]   #利用np.array 的整数索引(高级索引知识)，用聚类中心点值 代替原来点的值image_new = new_data.reshape(image.shape)
image_new_convert = np.array(np.round(image_new * 255),dtype='uint8')
io.imsave('colors_use_10.jpg',image_new_convert)#黑白色表示
new_data =np.array([[255,255,255],[0,0,0]])[kmeans.predict(data)]
image_new = new_data.reshape(image.shape)
image_new_convert = np.array(np.round(image_new * 255),dtype='uint8')
io.imsave('黑白色.jpg',image_new_convert)

历史相关文章

利用Python 自己动手制作动漫效果图片
利用Python对图片进行马赛克处理
利用Python生成手绘效果的图片

以上是自己实践中遇到的一些问题，分享出来供大家参考学习，欢迎关注微信公众号：DataShare ，不定期分享干货

Python 利用聚类算法对图片进行颜色压缩相关推荐

大数据项目13（Python实现聚类算法）
Python实现聚类算法一.k-means 聚类算法思想 1. 分步解析 2. 代码 3.结果一.k-means 聚类算法思想先随机选择k个聚类中心,把集合里的元素与最近的聚类中心聚为一类,得到 ...
Python基于聚类算法实现密度聚类(DBSCAN)计算
本文实例讲述了Python基于聚类算法实现密度聚类(DBSCAN)计算.分享给大家供大家参考,具体如下: 算法思想基于密度的聚类算法从样本密度的角度考察样本之间的可连接性,并基于可连接样本不断扩展聚 ...
Python数据挖掘：利用聚类算法进行航空公司客户价值分析
无小意丶个人博客地址:无小意知乎主页:无小意丶公众号: 数据路(shuju_lu) 刚刚开始写博客,希望能保持关注,会继续努力. 以数据相关为主,互联网为辅进行文章发布. 本文是<Pyth ...
python多维向量聚类_机器学习：Python实现聚类算法(三)之总结
考虑到学习知识的顺序及效率问题,所以后续的几种聚类方法不再详细讲解原理,也不再写python实现的源代码,只介绍下算法的基本思路,使大家对每种算法有个直观的印象,从而可以更好的理解函数中参数的意义及作 ...
python谱聚类算法_谱聚类Spectral clustering(SC)
在之前的文章里,介绍了比较传统的K-Means聚类.Affinity Propagation(AP)聚类.比K-Means更快的Mini Batch K-Means聚类以及混合高斯模型Gaussian ...
python DBSCAN聚类算法
文章目录 DBSCAN聚类算法基本思想基本概念工作流程参数选择 DBSCAN的优劣势代码分析 ==Matplotlib Pyplot== ==make_blobs== ==StandardS ...
python谱聚类算法_谱聚类（spectral clustering）原理总结
谱聚类(spectral clustering)是广泛使用的聚类算法,比起传统的K-Means算法,谱聚类对数据分布的适应性更强,聚类效果也很优秀,同时聚类的计算量也小很多,更加难能可贵的是实现起来也 ...
python网管系统_IT外包网管服务，Python密度聚类算法-DBSCAN实践
蓝盟 IT小贴士,来喽! 可以看出,a点附近的点密度大,红色的圆按照一定的规则在这里滚动,最终收纳a点附近的5点,标记为红色是同一个簇. 其他没有收纳的东西,按照相同的规则进行集群化. 从图像上来看, ...
python谱聚类算法_谱聚类 - python挖掘 - 博客园
谱聚类(Spectral Clustering,SC)是一种基于图论的聚类方法,将带权无向图划分为两个或两个以上的最优子图,使子图内部尽量相似,而子图间距离尽量远.能够识别任意形状的样本空间且收敛于全 ...

Python 利用聚类算法对图片进行颜色压缩

背景