matlab利用K-Means图像压缩

MUNUNBU

已于 2022-06-11 10:18:27 修改

阅读量497

点赞数 1

文章标签： matlab kmeans 聚类

于 2022-06-11 10:12:51 首次发布

原文链接：http://www.tup.tsinghua.edu.cn/booksCenter/book_07238701.html

版权

matlab利用K-Means图像压缩

应用K-Means算法来压缩图像

原理为：先对图像的每个像素运行K-Means算法，然后将每个像素映射为最近的质心。

应用K-Means算法来压缩图像代码

设置k值，即将图像压缩为几色，设置最大迭代次数。

% 可以尝试修改如下的K值及最大迭代次数max_iters
K = input('请输入K值（2~16）：');
max_iters = input('请输入最大迭代次数（10~50）：');

%  加载图像文件
A = double(imread('img.jpg'));
A = A / 255;  % 除以255将三原色的值转换为0~1之间

% 图像尺寸
img_size = size(A)

% 重新调整图像数据为Nx3矩阵，N为像素数目。每行有三列，分别为RGB三色
X = reshape(A, img_size(1) * img_size(2), 3);

% 随机设置初始质心
initial_centroids = initCentroids(X, K);

% 运行K-Means算法
%[centroids, ~] = runkMeans(X, initial_centroids, max_iters);
% Initialize values
[n , ~] = size(X);
K = size(initial_centroids, 1);
centroids = initial_centroids;
previous_centroids = centroids;
idx = zeros(n, 1);

% 迭代运行K-Means算法
for ii = 1 : max_iters
    % 输出迭代次数
    %fprintf('K-Means迭代次数：%d/%d...\n', ii, max_iters);
    
    % 将数据集中的每一个样本分配给离它最近的质心
    idx = EStep(X, centroids);
    
    % 计算新质心
    centroids = MStep(X, idx, K);
end

%% 图像压缩
% 查找最近的质心
idx = EStep(X, centroids);

% 压缩的实质是：将原始图像数据X用质心来表示
% 因此，将每个像素映射为质心颜色值
X_recovered = centroids(idx, :);

% 重新调整矩阵为适合的图像尺寸
X_recovered = reshape(X_recovered, img_size(1), img_size(2), 3);

% 显示原始图像
subplot(1, 2, 1);
imshow(A);
axis image;
title('原始图像');

% 显示压缩图像
subplot(1, 2, 2);
imshow(X_recovered);
axis image;
title(sprintf('压缩图像(%d色)', K));

% 保存压缩图像
imwrite(X_recovered, '4.jpg');
fprintf('\nK-Means运行完毕。\n\n');

图像显示:

如图是将原始图像压缩为四色，即为四个聚类中心。
在这里插入图片描述

计算图像压缩率

原始图像的分辨率为4000×2992，也就是N=4000×2992=11968000个像素，共需要24×11968000=287232000比特。压缩图像为4色，即为k等于4， $log_2⁡K=2$ ，则图像压缩后需 $24K+Nlog_2⁡K=24×4+11968000×2=23936096$ 比特，压缩率为8.3%。
文件会有头部信息等其它信息，实际文件大小会较大，因此计算实际压缩率，原始图像文件实际占1847296字节，压缩图像文件占516096字节，实际压缩率约为27.9%。