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) 
    #创建KMeans聚类模型
    kmeans = cluster.KMeans(n_clusters=num_clusters,n_init=4,random_state=5)
    kmeans.fit(X)
    # 分别获取每个数据聚类后的label，以及每个label的质心
    labels = kmeans.labels_
    centroids = kmeans.cluster_centers_.squeeze()

    # 使用质心的数值代替原始数据的label值，获得一个新图像
    # 使用numpy的choose函数进行之心值的代替，reshape函数回复原图片的数据结构

    input_image_compressed = np.choose(labels,centroids).reshape(img.shape)
    print("\nimage的形状",img.shape)
    return input_image_compressed
    

3、定义函数，打印图片

# step2
# 定义函数，打印图片
def plot_image(img,title):
    vmin = img.min()
    vmax = img.max()
    print("img_vmin:",vmin)
    print("img_vmax:",vmax)
    plt.figure()
    plt.title(title)
    # cmap映射
    #热图（heatmap）是数据分析的常用方法，
    #通过色差、亮度来展示数据的差异、易于理解。
    #Python在Matplotlib库中，调用imshow()函数实现热图绘制。
    plt.imshow(img,cmap = plt.cm.gray,vmin=vmin,vmax=vmax)

4、主函数

# step3
# 读入图片，设置压缩率，实现压缩
if __name__=='__main__':
    #设置图片路径
    input_file = r"数据源\flower.jpg"
    #设置压缩比
    num_bits = 2
    if not 1 <= num_bits <=8:
        raise TypeError('num_bits应该在[1,8]区间内')
    #设置质心个数
    num_clusters = np.power(2,num_bits)
    #输出压缩比例
    compression_rate = round(100*(8.0 - num_bits)/8.0,2)
    print ("\nThe size of the image will be reduced by a factor of", 8.0/num_bits)
    print ("\nCompression rate = " + str(compression_rate) + "%\n")
    #载入图片
    input_image = imageio.imread(input_file).astype(np.uint8)
    # 调用plot_image函数，输出原始图像
    plot_image(input_image, 'Original image')
    #归一化,[0,1]之间
    input_image = input_image/255 
    # 调用compress_image函数压缩图像
    input_image_compressed = compress_image(input_image, num_clusters)
    # 调用plot_image函数，输出压缩后的图像
    plot_image(input_image_compressed, 'Compressed image; compression rate = ' 
            + str(compression_rate) + '%')

    plt.show()

运行结果图：

实验问题

问题1、scipy.misc is deprecated and has no attribute imread

解决方案：

（1）安装imageio

!pip install imageio

（2）导包

import imageio

（3）将misc换成imageio

input_image = imageio.imread(input_file).astype(np.uint8)

问题2、Clipping input data to the valid range for imshow with RGB data

解决方案：

（1）对于二维数组（灰度图像），函数会自动将输入数据归一化变换至[0,1]，然后显示。
（2）对于三维数组（彩色图像），plt.imshow() 函数并不会自动对输入数据归一化处理，而是对数据取值范围提出要求：如果是float型数据，取值范围应在[0,1]；如果是int型数据，取值范围应在[0,255]

归一化处理

input_image = input_image/255