吴恩达-机器学习课后题07-Kmeans-使用算法对一张图片的颜色进行聚类

1、问题：

问题：使用kmeans对图片颜色进行聚类
RGB图像，每个像素点值范围0-255

原始图像每个点的取值在0-255之间，也就是说，每个点都可以有256种颜色可以选择，所以每个像素点需要用8byte进行存储,现在我们希望用16种颜色对其进行表示，也就是每个像素点只需4byte

2、解题

0、导包：

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

导入新包：skimage

1、导入数据：

data  = sio.loadmat(path)
# print(data.keys())
A = data['A']
print(A.shape)
image = io.imread(img_path)
plt.imshow(A)
plt.show()

结果：

其中png与mat格式的图像经过plt.imshow()都是此图
mat文件中对每个点显示的颜色都进行了设置

2、对A进行标准化，加快聚类速度

#1、对A进行标准化
A = A/255
A = A.reshape(-1,3)

不知道为啥对A reshape成(-1,3)？
前置知识：Python官方解释 -1 是不指定的意思，这意思就是，我就要把它变成3列，多少行，机器自己算

3、引入聚类方法：

#获取标签所属类别
def find_centroids(X,centros):
    idx=[]
    for i in range(len(X)):
        #(2,)(k,2)->(k,2)
        dist = np.linalg.norm((X[i]-centros),axis=1)#(k,)求平方和再开方
        id_i = np.argmin(dist)
        idx.append(id_i)
    return np.array(idx)
centros = np.array([[3,3],[6,2],[8,5]])
# idx = find_centroids(X,centros)
# print(idx)

#计算聚类中心点
def compute_centros(X,idx,k):
    centros = []
    for i in range(k):
        centros_i = np.mean(X[idx==i],axis=0)
        # print(centros_i)
        centros.append(centros_i)

    return np.array(centros)
# print(compute_centros(X,idx,k=3))

#运行Kmeans,重复执行1和2
def run_kmeans(X,centros,iters):
    k = len(centros)
    centros_all = []
    centros_all.append(centros)
    centros_i = centros
    for i in range(iters):
        idx = find_centroids(X,centros_i)
        centros_i = compute_centros(X,idx,k)
        centros_all.append(centros_i)
    return idx,np.array(centros_all)

4、使用16个点对图像进行聚类，意思是每个点都有16中颜色可选

k=16
idx,centros_all = run_kmeans(A,init_centros(A,k),iters=20)
centros = centros_all[-1]
#最后一次聚类的16个值
#print(centros)
im = np.zeros(A.shape)
#初始化一个新的图像，对图像中的各个地方进行赋值
for i in range(k):
    im[idx==i] = centros[i]
#将im  reshape成原来的大小
im = im.reshape(128,128,3)
#显示
plt.imshow(im)
plt.show()

结果：

原图：