刚自学机器学习，结合别人代码，理解后修改小案例-（欢迎小白交流，大佬请跳过）
介绍
处理图片以rgb编码：.png格式图片一般是rgba或rgb编码格式，rgb以三个字节，每个字节分别代表红、绿、蓝三种颜色的强度，三者取值分别为（0-255）无符号整数形式。而rgba，多了的a表示透明强度，其他前三个字节与rgb一致。（非rgb需要转换为rgb编码形式）
K-mean算法处理：一张图片有上千种颜色特征，我们使用k-mean算法，来获得最主要的16钟颜色特征，来达到压缩图片。
K-mean 算法主体
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import loadmat
from skimage import io
import PIL.Image as Image
#初始化中心簇
def initCentroids(X,K):
m,n=X.shape
idx=np.random.choice(m,K)
centroids=X[idx]
return centroids
#求出最近的中心簇
def findClostestCentroides(X,Centroides):
idx=[]
for i in range(len(X)):
jian=X[i]-Centroides
dist=jian[:,0]**2+jian[:,1]**2
idx_min=np.argmin(dist)
idx.append(idx_min)
return np.array(idx)
# 计算每个节点簇中心
def computercenter(X,idx):
Centroids = []
for i in range(15):
if (X[idx==i].size!=0):
u_k=X[idx==i].mean(axis=0) #计算平均值(技巧)
Centroids.append(u_k)
else:
continue
return np.array(Centroids)
#实现K-Means算法
def runKmeans(X,centroids,max_itens):
centroids_i=centroids
centroids_all=[]
centroids_all.append(centroids) #[[3,2]]
for i in range(max_itens):
# 求出最近的中心簇
idx=findClostestCentroides(X,centroids_i)
# 计算平均值
centroids_i=computercenter(X,idx)
centroids_all.append(centroids_i) #[[3,2]...[3,2]]()max_itens个
return idx,centroids_all
首先在computecenter(X,idx)，idx为簇的种类下标，这里需要注意并不是0-15，这16个中心簇都有样本，有些簇会为空，所有需要判断那些簇为空，我们需要存储的非空的簇，实际上我们初始化时定义有16个中心簇，但是到最后发现减少到9个中心簇。
K-Mean算法作用于RGB格式
#非RGB转换为RGB格式
img=Image.open('DATA\\picture1.png')
if img.mode!="RGB":
img_rgb=img.convert('RGB')
img_rgb.save("new.png")
#导入图片，这里已经是调整好的rgb编码
B=io.imread('DATA\\new.png') #(132,129,3)
实现压缩
def zip(A):
A=A/255 #将所有数值范围缩小到（0-1之间）
A=np.array(A) #转换类型
X=A.reshape(-1,3)
K=16
centroids=initCentroids(X,K)
idx,centroids_all=runKmeans(X,centroids,10)
img=np.zeros(X.shape)
centroids=centroids_all[-1] #(16,3)
for i in range(len(centroids)):
img[idx==i]=centroids[i]
img=img.reshape((132,129,3)) #这里需要看下源图片格式大小，进行还原
fig,axes=plt.subplots(1,2,figsize=(12,6))
axes[0].imshow(A)
axes[1].imshow(img)
plt.show()
zip(B)
代码效果，左侧为原图，右侧是压缩还原后的图：
图片.png
