机器学习：聚类算法（KMeans）——图片压缩

实验原理

聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。

实验数据

实验步骤

• 题目：使用聚类算法进行图片压缩
  现在我们获得了一张图片flower.jpg，我们希望使用聚类算法对图像进行压缩，其核心思想是通过聚类将颜色表示数量减少。例如，传统RGB，每个通道0~255(8 bits)，则可以表示16777216 (24 bits)种颜色，通过聚类可以减少到16种颜色。
• STEP1：完成compress_image函数，该函数实现图片压缩功能，思想是将每个像素作为一个元素进行聚类，然后使用每个类别的质心数值替换原像素数据，以此减少其颜色个数。
  该函数参数img是图片传入的接口，因此我们需要知道变量img的数据结构，请自行查看。
• 问题一：代码实现，将img结构进行转换即每个像素作为一个元素，使之能符合聚类算法数据输入的要求。完成后创建KMeans聚类模型并进行训练。
• 问题二：代码实现，分别获取每个数据聚类后的label，以及每个label的质心的值cluster_centers_.squeeze。
• 问题三：使用质心的数值代替原数据的label值，那么我们将获得一个新的图像。

提示，使用numpy的choose函数进行进行质心值的代替，reshape函数回复原图片的数据结构，并返回结果。

• STEP2：创建plot_image函数打印图片。
• STEP3：读入图片，设置压缩率，实现压缩。

完整代码

1、导包

import numpy as np
import imageio
from sklearn import cluster
import matplotlib.pyplot as plt

2、定义compress_image函数，压缩图片

# step1
# 定义compress_image函数，压缩图片
def compress_image(img,num_clusters):
    X = img.reshape((-1,1))
    print("\nX的数据:\n",X