【阿旭机器学习实战】【19】如何在不减少分辨率的情况下降低图片存储空间？KMeans算法进行图片颜色点分类存储

【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&＃xff0c;欢迎点赞&＃xff0c;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&＃xff0c;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&＃xff0c;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&＃xff1a;利用KMeans进行足球队分类》

在如今的互联网时代&＃xff0c;网络上充满了海量的数据&＃xff0c;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&＃xff0c;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&＃xff1a;

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 &＃61; 64)&＃xff0c;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&＃xff0c;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&＃xff0c;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&＃xff0c;即RGB值。

由上述存储方式可以看出&＃xff0c;图片单个像素点的存储由RGB的3个字节&＃xff0c;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。

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


# 加载图片
china &＃61; datasets.load_sample_image("china.jpg")
plt.imshow(china)


china.dtype


dtype(&＃39;uint8&＃39;)


china.shape


(427, 640, 3)


# 除以255&＃xff0c;将像素点的值变为0-1之间
china &＃61; china/255


h,w,d &＃61; china.shape


# 把像素点展开
img_array &＃61; 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 &＃61; shuffle(img_array,random_state&＃61;0)


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


from sklearn.cluster import KMeans
# 用64个聚类来划分这些像素点
km &＃61; KMeans(n_clusters&＃61;64,random_state&＃61;0)


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


KMeans(algorithm&＃61;&＃39;auto&＃39;, copy_x&＃61;True, init&＃61;&＃39;k-means&＃43;&＃43;&＃39;, max_iter&＃61;300,
n_clusters&＃61;64, n_init&＃61;10, n_jobs&＃61;1, precompute_distances&＃61;&＃39;auto&＃39;,
random_state&＃61;0, tol&＃61;0.0001, verbose&＃61;0)


# 表示这1000个样本对应的聚类标签&＃xff0c;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 &＃61; 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&＃xff0c;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 &＃61; np.zeros((h,w,3))
# 通过for循环&＃xff0c;遍历img中每一个点&＃xff0c;并且从labels中取出下标对应的聚类重新给img赋值
label_index &＃61; 0
for i in range(h):
for j in range(w):
img[i][j] &＃61; centers[labels[label_index]]
label_index &＃43;&＃61; 1
return img


img_re &＃61; 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&＃61;(12,6))
axes1 &＃61; plt.subplot(121)
axes1.imshow(china)
axes1.set_title("Instaces")
axes2 &＃61; plt.subplot(122)
axes2.imshow(img_re)
axes2.set_title("64 colors,K-Means")


Text(0.5,1,&＃39;64 colors,K-Means&＃39;)


1. 存储上面的图片每个像素点对应的聚类编号&＃xff1a;labels, 形状为&＃xff1a;(273280,)
2. 存储每个聚类编号对应聚类中心RGB值&＃xff1a;km.cluster_centers_。形状为&＃xff1a;(64, 3)

依据以上labels与km.cluster_centers_&＃xff0c;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&＃xff0c;感谢记得点赞&＃43;关注哦&＃xff01;

欢迎关注我的公众号:阿旭算法与机器学习&＃xff0c;共同学习交流。
更多干货内容持续更新中…