python中学习K-Means和图片压缩
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。
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
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
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
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-600')); % 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)
标签：