数据处理--图片压缩

一、压缩图片原理

压缩图片
颜色是256（0-255）种颜色
从中抽取16（4*4）种颜色
然后将图片上的所有颜色向这16种颜色上去靠
在保存的时候会将这16中颜色抽取出来
保存时图片就会被压缩。

1）

2）

3）

二、加载图片

1）加载图片

img = plt.imread('./data/bird.png')  # 加载图片 转换成多维数组
img

array([[[0.85882354, 0.7058824 , 0.40392157, 1.        ],
        [0.9019608 , 0.7254902 , 0.45490196, 1.        ],
        [0.8862745 , 0.7294118 , 0.43137255, 1.        ],
                ...,
        [0.25490198, 0.16862746, 0.15294118, 1.        ],
        [0.22745098, 0.14509805, 0.14901961, 1.        ],
        [0.20392157, 0.15294118, 0.13333334, 1.        ]]], dtype=float32)

可以看出读取出的图片数据是含有alpha通道的数据

2）去除透明度

img = img[:,:,:-1] 

img.shape
(128, 128, 3)

3）提取像素点

提取所有的像素点 每一个像素点作为一个样本 像素点这个样本有三个特征

X_train = img.reshape(-1,3) 

X_train.shape
(16384, 3)

三、K-means模型

1）导包

from sklearn.cluster import KMeans

2）获取模型，设置要分多少类

kmeans = KMeans(n_clusters=16)

3）训练并聚类

y_ = kmeans.fit_predict(X_train) 

聚类后的目标值是16类

np.sort(pd.Series(y_).unique()) 

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15],
      dtype=int64)

4）寻找聚类中心

其实就是每一类像素点中的代表

centers = kmeans.cluster_centers_   # 按照各组顺序的 聚类中心

5）将原图片像素点替换为分类后的像素点

原理： 将原图数据的像素点替换为分为聚类后的像素点，这些像素点其实就是将原数据的像素点分为16种后的像素点

result_img = centers[y_] 

6）将聚类后的图片绘出来比较

注意：要将图片的数据进行形状还原

plt.imshow(result_img.reshape(128, 128, 3))

7）图片保存到本地

plt.imsave('./after',result_img.reshape(128, 128, 3))