python中学习K-Means和图片压缩

2020-01-04 16:19:42

字体：大中小

来源：转载

供稿：网友

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,K-Means,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,K-Means,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,K-Means,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,K-Means,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;endend

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:Ktmp(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:mcentroids(idx(i),:) = centroids(idx(i),:) + X(i,:);endfor j = 1:Kcentroids(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)

注：相关教程知识阅读请移步到python教程频道。

上一篇：Python实现将HTML转换成doc格式文件的方法示例

下一篇：深入理解Python中的super()方法