910
DIY圖像壓縮——機器學習實戰之K-means 聚類圖像壓縮：色彩量化
更多深度文章，請關注：https://yq.aliyun.com/cloud作者：ML bot2
這篇文章是K-means聚類（K-means clustering）的一個簡單應用：壓縮圖像。
在彩色圖像中，每個像素的大小為3字節（RGB），可以表示的顏色總數為256 * 256 * 256。下圖為1280 x 720像素的圖像，采用PNG格式（一種無損壓縮技術），大小為1.71 MB。 我們的目標是使用顏色量化進一步壓縮圖像，盡管壓縮過程會有損失。
這是一種在給定的數據點集合中找到“K”個簇的優化算法。最初，它隨機分配K個簇中心，然後基於一些距離度量（例如，歐幾裏得距離），使來自簇中心的數據點的距離之和最小化。K均值聚類算法有兩個步驟：
b）更新 - 從指定給新簇的數據點計算新的均值（質心）。
為了描述K均值聚類前後的區別，請看下麵這個例子。
在圖像壓縮問題中，K-means聚類會把類似的顏色分別放在K個簇中——也就是說，每個簇的顏色都變成了一種。因此，我們隻需要保留每個像素的標簽（表明該像素在哪個簇中），以及每個簇的顏色編碼即可完成圖像的壓縮。
壓縮
我們將編寫一個簡單的python代碼來壓縮圖像，並將壓縮圖像與代碼本(Codebook)一起存儲。這裏保存的壓縮圖像隻是原始圖像的每個像素的簇標簽。代碼本是在運行K-means算法後實現的簇中心存儲列表的別名。簇標簽和代碼本都保存在數據類型“無符號整數”中。以下為圖像壓縮代碼：
from skimage import io
from sklearn.cluster import KMeans
import numpy as np
image = io.imread('tiger.png')
io.imshow(image)
io.show()
rows = image.shape[0]
cols = image.shape[1]
image = image.reshape(image.shape[0]*image.shape[1],3)
kmeans = KMeans(n_clusters = 128, n_init=10, max_iter=200)
kmeans.fit(image)
clusters = np.asarray(kmeans.cluster_centers_,dtype=np.uint8)
labels = np.asarray(kmeans.labels_,dtype=np.uint8 )
labels = labels.reshape(rows,cols);
np.save('codebook_tiger.npy',clusters.imsave('compressed_tiger.png',labels
我們可以選擇足夠大的K來表示圖像的顏色。示例中K為128，表明原始圖像中的所有顏色組合被量化為128種不同的顏色。這些顏色將會在新圖片中呈現（解壓縮後），並且應在視覺上類似於原始圖像。
我們還需要解壓縮圖像，以便可視化重建的圖像。以下為圖像解壓縮代碼：
from skimage import io import numpy as np centers = np.load('codebook_tiger.npy_image = io.imread('compressed_tiger.png') image = np.zeros((c_image.shape[0],c_image.shape[1],3),dtype=np.uint8 ) for i in range(c_image.shape[0]): for j in range(c_image.shape[1]): image[i,j,:] = centers[c_image[i,j],:] io.imsave('reconstructed_tiger.png',imageo.imshow(image) io.show()
下圖為解壓縮後的圖像。雖然新圖像失去了大量的像素顏色信息，但沒有出現任何主要的差異。
此外，您可以通過單獨查看碼本中的顏色來找到新圖像的128種顏色。
注意
- 如果您嚐試按照博客文章中的方式來壓縮“jpeg”圖像，那麼您將會發生錯誤，因為jpeg會進行有損壓縮。 jpeg的壓縮算法改變了像素的值，因此包含標簽的壓縮圖像中的像素可能會超過K，從而導致錯誤。
- K-means算法是在給定數據集中查找指定數量簇的優化問題。圖像尺寸增加或K值增加都會增加執行時間。所以，你可以從較低的K值開始，以便快速獲得結果。
- 在壓縮時間和壓縮比率之間存在折衷。較高的K值將產生更好的壓縮圖像質量，但壓縮時間也會更長。
您可以在這裏查看博客文章中的圖像所占用的磁盤空間，如下圖所示。原始的png圖像是1757 KB（tiger.png），而壓縮的虎圖像和碼本總共隻有433 KB。新圖像也占用更少的空間：由於隻有128種獨特的顏色，新的壓縮比超過2。
該壓縮方法僅僅減少了圖像中的顏色數量，又被稱為顏色量化（Colour Quantization）。壓縮過程中沒有減少圖像的大小或像素的取值範圍。
文章原標題《Image Compression using K-means Clustering : Colour Quantization – Machine Learning in Action》，作者：ML bot2，譯者：楊輝，審閱：，附件為原文的pdf。
原文
最後更新：2017-04-20 20:01:26