K-Means算法、非负矩阵分解(NMF)与图像压缩(Python)

K-Means算法是最基础的聚类算法、也是最常用的机器学习算法之一。 本教程中，我们利用K-Means对图像中的像素点进行聚类，然后用每个像素所在的簇的中心点来代替每个像素的真实值，从而达到图像压缩的目的。

非负矩阵分解(Non-negative Matrix Factorization, NMF)是一种对非负矩阵进行低维近似逼近的常见方法，同样也能达到图像压缩的目的。

 

0. 前言

K Means算法比NMF算法慢很多，尤其是当聚类数较大时，所以实验时请耐心等待。此外，由于两者重建图像的原理不同，所以两者的视觉也相差很大，k Means牺牲了颜色的个数而保留了边界和形状，而NMF牺牲了形状以及边界却尽量保留颜色。整个实验过程中会产生一些有趣风格的图像，注意留意哦！

完整的代码在第4节。

1. 图像的读取

本教程以台湾省台北市最高建筑“台北101”大厦的夜景图为例，该图的分辨率为600 * 800。

点击这里下载实验图片。

我们需要skimage、numpy、matplotlib.pyplot这三个库来实现图像的读取以及显示。

import numpy as np
import matplotlib.pyplot as plt
from skimage import io

利用io.imread直接读取图像文件，并存入np.ndarray类型的变量d。注意ÿ