一、压缩图片原理
压缩图片
颜色是256(0-255)种颜色
从中抽取16(4*4)种颜色
然后将图片上的所有颜色向这16种颜色上去靠
在保存的时候会将这16中颜色抽取出来
保存时图片就会被压缩。
1)
2)
3)
二、加载图片
1)加载图片
img = plt.imread('./data/bird.png') # 加载图片 转换成多维数组
img
array([[[0.85882354, 0.7058824 , 0.40392157, 1. ],
[0.9019608 , 0.7254902 , 0.45490196, 1. ],
[0.8862745 , 0.7294118 , 0.43137255, 1. ],
...,
[0.25490198, 0.16862746, 0.15294118, 1. ],
[0.22745098, 0.14509805, 0.14901961, 1. ],
[0.20392157, 0.15294118, 0.13333334, 1. ]]], dtype=float32)
可以看出读取出的图片数据是含有alpha通道的数据
2)去除透明度
img = img[:,:,:-1]
img.shape
(128, 128, 3)
3)提取像素点
提取所有的像素点 每一个像素点作为一个样本 像素点这个样本有三个特征
X_train = img.reshape(-1,3)
X_train.shape
(16384, 3)
三、K-means模型
1)导包
from sklearn.cluster import KMeans
2)获取模型,设置要分多少类
kmeans = KMeans(n_clusters=16)
3)训练并聚类
y_ = kmeans.fit_predict(X_train)
聚类后的目标值是16类
np.sort(pd.Series(y_).unique())
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15],
dtype=int64)
4)寻找聚类中心
其实就是每一类像素点中的代表
centers = kmeans.cluster_centers_ # 按照各组顺序的 聚类中心
5)将原图片像素点替换为分类后的像素点
原理: 将原图数据的像素点替换为分为聚类后的像素点,这些像素点其实就是将原数据的像素点分为16种后的像素点
result_img = centers[y_]
6)将聚类后的图片绘出来比较
注意:要将图片的数据进行形状还原
plt.imshow(result_img.reshape(128, 128, 3))
7)图片保存到本地
plt.imsave('./after',result_img.reshape(128, 128, 3))