Kmeans_2

Study

发布日期: 2023-09-17

更新日期: 2024-11-10

文章字数: 580

阅读次数:

Kmeans_2

Question

利用Kmeans算法，对目标图片进行减色处理。

理论基础

即将色彩丰富的一张图片根据像素点的相似程度，换成仅有16种颜色的图片。这种操作可以在保留图片基本特征的同时大大减少内存的占用，视觉上打折扣，但是在使用上方便很多。我们通过matlab将jpg，png格式的图片先转为mat格式的图片矩阵。再将图片矩阵转换为一个像素点一行的数据矩阵。接着进行常规的Kmeans操作，同文章Kmeans_1中所示，然后将聚类完毕的数据矩阵还原为图片矩阵，并进行显示。

完整程序

本代码这次没有用jupyter进行编写运行，而是选择了pycharm(因为jupyter不知道什么情况卡住了，算个624×624的图片半天没反应，电脑风扇都没动静，无奈只能换成pycharm运行)。

注意，pycharm中plt.imshow()操作并不能直接显示图片，要在其操作后加上plt.show()。

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

data=sio.loadmat('Kmeans_2.mat')
data.keys()

A=data['test']
A.shape

A=A/255
plt.imshow(A)
plt.show()

A=A.reshape(-1,3)
A.shape

def find_centroids(X,centros):    
    idx=[]    
    for i in range(len(X)):
        dist = np.linalg.norm((X[i]-centros),axis=1)
        id_i=np.argmin(dist)
        idx.append(id_i)        
    return np.array(idx)



def compute_centros(X,idx,k):    
    centros=[] 
    for i in range(k):
        centros_i=np.mean(X[idx==i],axis=0)
        centros.append(centros_i)        
    return np.array(centros)


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)

def init_centros(X,k):
    index=np.random.choice(len(X),k)
    return X[index]

k=16
idx,centros_all=run_kmeans(A,init_centros(A,k=16),iters=20)
centros=centros_all[-1]
im=np.zeros(A.shape)
for i in range(k):
    im[idx==i]=centros[i]
im=im.reshape(642,642,3)
print(im)
plt.imshow(im)
plt.show()