K-means 寻找图像主体颜色

几个月前，我写了篇文章“纯python编写K-means算法，提取图片中的主体颜色”，找到图片中的显著颜色。

今天突发奇想，能不能把k-means用于图片压缩呢？对图像rgb三个通道进行聚类，得到中心点像素，并填充对应的类别区域，我找来了一张上海的图片进行压缩。

我的代码如下，由于在jupyte编辑器上写的代码，因此显示图片使用的matplotlib模块

numpy np
matplotlib.pyplot plt
skimage io
cv2 cv
os
sklearn.cluster KMeans

img = io.imread()
img = np.array(img=np.float64) / plt.axis()
plt.imshow(img)

outImgPath = os.path.exists(outImgPath):
    os.makedirs(outImgPath)

(imgk):
    whc = img.shape
    dd = np.reshape(img(w * hc))
    km = KMeans(=k)
    km.fit(dd)
    labels = km.predict(dd)
    centers = km.cluster_centers_
    new_img = img.copy()
    i (w):
        j (h):
            ij = i * h + j
            new_img[i][j] = centers[labels[ij]]
    {: new_img: centers}


plt.figure(=())
plt.imshow(d)
plt.axis()
plt.show()
i ():
    (i)
    out = KMeansImage(=img=i)
    centersnew_image = out[]out[]
    (new_image.shape)
    plt.figure(=())
    plt.imshow([centers]);
    plt.axis()
    plt.show()

        result = []
    result_width =     result_height_per_center =     center_index (i):
        result.append(np.full((result_width * result_height_per_centercenters.shape[])centers[center_index] * =))
    result = np.array(result)
    result = result.reshape((result_height_per_center * iresult_widthcenters.shape[]))

        imgName = % i
    cv.imwrite(os.path.join(outImgPathimgName)result)

    plt.figure(=())
    plt.imshow(new_image)
    plt.axis()
    plt.show()
    imgName = % i
    cv.imwrite(os.path.join(outImgPathimgName)new_image * )

我们看一下生成的图片合成的gif吧~

当k为2时

当k为3时

当k为4时

当k为5时

当k为11时

当k为21时

当k为51时

当k为101时

当k为200时

观察上面的图片，可以看到，当K值增大的时候，图片的色彩会更加丰富，画面变得更加细腻。

这种方法比较简单，但也有弊端，kmeans的运算速度实在是太慢了，在高分辨率图片下，计算时间过长。

本文来自Monk

原文链接：http://www.siyuanblog.com/?p=101593