通过k-means进行图像量化压缩--python实现
通过k-means进行图像量化压缩--python实现
Awesome_Tang
发布于 2018-09-11 10:42:21
发布于 2018-09-11 10:42:21
文章被收录于专栏：FSociety
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~
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2018.07.07 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
相关产品与服务
图片处理
图片处理（Image Processing，IP）是由腾讯云数据万象提供的丰富的图片处理服务，广泛应用于腾讯内部各产品。支持对腾讯云对象存储 COS 或第三方源的图片进行处理，提供基础处理能力（图片裁剪、转格式、缩放、打水印等）、图片瘦身能力（Guetzli 压缩、AVIF 转码压缩）、盲水印版权保护能力，同时支持先进的图像 AI 功能（图像增强、图像标签、图像评分、图像修复、商品抠图等），满足多种业务场景下的图片处理需求。
腾讯云开发者
