python中学习K-Means和图片压缩_Python

python中学习K-Means和图片压缩

2020-12-19 00:18hello-world-n Python

大家在python中会遇到关于K-Means和图片压缩的问题，我先通过本次文章学习一下基本原理吧。

大家在学习python中，经常会使用到K-Means和图片压缩的，我们在此给大家分享一下K-Means和图片压缩的方法和原理，喜欢的朋友收藏一下吧。

python中学习K-Means和图片压缩

通俗的介绍这种压缩方式，就是将原来很多的颜色用少量的颜色去表示，这样就可以减小图片大小了。下面首先我先介绍下K-Means，当你了解了K-Means那么你也很容易的可以去理解图片压缩了，最后附上图片压缩的核心代码。

K-Means的核心思想

python中学习K-Means和图片压缩

k-means的核心算法也就上面寥寥几句，下面将分三个部分来讲解：初始化簇中心、簇分配、簇中心移动。

初始化簇中心

python中学习K-Means和图片压缩

随机取簇中心若是不幸，会出现局部最优的情况；想要打破这种情况，需要多次取值计算来解决这种情况。

代价函数
python中学习K-Means和图片压缩

代码实现

									J = zeros(100,1);

									M = size(X,1);

									min = inf;

									for i = 1:100

									%随机取k个样本点作为簇中心

									randidx = randperm(M);

									initial_centroids = X(randidx(1:K),:);

									%将所得的中心点进行训练

									[centroids0, idx] = runkMeans(X, initial_centroids,10);

									for k = 1:M 

									J(i) = J(i) + sum((X(k,:) - centroids0(idx(M),:)).^2); 

									end

									%取最小代价为样本中心点

									if(min > J(i))

									centroids =centroids0;

									end

									end

簇分配

将样本点分配到离它最近的簇中心下

									tmp = zeros(K,1);

									for i = 1:size(X,1)

									for j = 1:K

									tmp(j) = sum((X(i,:) - centroids(j,:)).^2);

									end

									[mins,index]=min(tmp);

									idx(i) = index;

									end

簇中心移动

取当前簇中心下所有样本点的均值为下一个簇中心

									for i = 1:m

									centroids(idx(i),:) = centroids(idx(i),:) + X(i,:);

									end

									for j = 1:K

									centroids(j,:) = centroids(j,:)/sum(idx == j);

									end

图片压缩

									% 加载图片

									A = double(imread('dragonfly.jpg'));

									% 特征缩减

									A = A / 255; 

									img_size = size(A);

									X = reshape(A, img_size(1) * img_size(2), 3);

									K = 16; 

									max_iters = 10;

									%开始训练模型

									initial_centroids = kMeansInitCentroids(X, K);

									[centroids, idx] = runkMeans(X, initial_centroids, max_iters);

									%开始压缩图片

									idx = findClosestCentroids(X, centroids);

									X_recovered = centroids(idx,:);

									X_recovered = reshape(X_recovered, img_size(1), img_size(2), 3);

									%输出所压缩的图片

									subplot(1, 2, 2);

									imagesc(X_recovered)