笔记：k-means聚类算法 图像压缩理论

聚类1、 K-means2、DBSCAN算法3、图像压缩 1、 K-means k-means叫做k均值算法，算法很简单，先随机选择k个样本作为均值向量， 再计算样本到均值向量之间的距离，距离近的就将其划分的对应簇中，然后不断进行迭代更新，最终就会将样本聚成设定的簇，也就是k个簇。 下面从sklearn的官方文档中找出的案例 import numpy as np import matplotlib...

聚类算法效果衡量标准及图片压缩案例

最后，我们将像素重新分组，并将图像转换回原始的三维形式，以获取压缩后的图像。对于在网络上共享或存储的图像来说，这可能是个问题。因此，需要一种方法来减小图像的大小，同时保持图像的质量和美观度。K-Means聚类算法是一种流行的机器学习技术，用于将数据集划分为不同的簇。这种算法非常适用于图像压缩，因为它可以将颜色相似的像素归为同一类别，从而减少图像的大小。这是一个简单的例子，但是它可以大大减小图像的大小，而不会显著降低图像的质量。如果您需要进一步压缩图像，可以尝试使用更多的簇或者应用其他的图像压缩算法。

如何利用k-means算法对图片颜色进行聚类并实现图像压缩？（附Python代码+数据集）

聚类算法案例 聚类算法 聚类算法（Clustering），是对大量未知标注的数据集，按数据的内 在相似性，将数据集划分为多个互不相交的子集，每个子集称为一个簇， 使簇内数据的相似度较大而簇间数据的相似度较小。 聚类算法属于无监督机器学习，只有数据x，没有标签y。 常见的聚类算法：k-Means、 spectral clustering、mean-shift等。 from sklearn.cluster import KMeans,MiniBatchKMeans from sklearn.datasets i

K 均值聚类是一种基于质心的聚类算法，它通过反复迭代的方式将数据点分配到 K 个聚类中。每个质心代表一个聚类的中心位置，算法会不断调整质心的位置，直到满足一定的收敛条件。K 均值聚类的目标是最小化每个聚类内部所有点到其质心的距离之和。具体来说，K 均值聚类的步骤可以概括如下：随机选择 K 个初始质心。将每个数据点分配到离它最近的质心所在的聚类。重新计算每个聚类的质心，即对聚类中的所有数据点取平均值。重复步骤 2 和 3，直到质心的位置不再发生变化，或者达到预设的迭代次数。

在数据挖掘和机器学习领域，聚类算法是一种重要的无监督学习方法，用于将数据集中的数据点划分为不同的组或簇。将图像中的像素点看作数据点，通过 K - means 聚类将像素点分为若干个簇，然后用簇中心的颜色值来代表该簇内所有像素点的颜色，从而达到减少颜色数量、压缩图像数据的目的。K - means 算法的核心思想是基于距离度量将数据点划分到 K 个不同的簇中，使得每个簇内的数据点到该簇中心（质心）的距离之和最小。这里的 K 是一个预先设定的超参数，表示要划分的簇的数量。

使用sklearn可以快速实现 K-Means 算法，适合开发中快速调用。手动实现可以帮助我们理解 K-Means 算法的内部工作机制，例如如何更新簇中心、如何分配数据点等。通过手动实现，我们也可以更容易地修改算法，尝试改进或扩展 K-Means。K-Means 是一种经典的聚类算法，适合处理数据量较大、簇形状为圆形或球形的场景。不过，K-Means 也有一定的局限性，例如它对簇的形状敏感，容易受到初始簇中心选择的影响。

②进行图像压缩，需要减少像素点颜色的种类，本案例中假设压缩后颜色种类为16,假设用整数0~15表示每个整数可以用4bit(即0.5byte)表示，对于压缩后的图片，每个像素点只需存储相应的颜色编号，因此占据的存储空间为128×128×0.5+（16×1×3）≈ 8KB，大小仅仅是原始图像的。=48kb的存储空间。③因此可以采用K-means聚类算法，数据集由包含三个颜色分量特征的128×128个像素点构成，设置目标聚类类别K=16，并使用编写的kmeans.py中的run_kMeans函数实现聚类算法。

K-Means聚类算法进行压缩图片

在本文中，我们讲解了如何使用K-Means聚类算法来压缩图像。通过K-Means算法，我们能够找到图像中的主要颜色，并用这些颜色替换原始图像中的像素颜色，从而实现图像的压缩。这个简单的技术可以在一定程度上减小图像文件的大小，同时保持图像的可视化效果。希望这篇文章能够帮助你理解如何使用K-Means聚类算法进行图像压缩。如果你想进一步学习图像处理和压缩的知识，推荐你深入研究相关的算法和工具。

在本练习中，您将实现K-means聚类算法并应用它来压缩图像。在第二部分中，您将使用主成分分析来寻找人脸图像的低维表示。

一、K均值算法 K均值算法是典型的原型聚类算法，此类算法假设聚类结构能够通过一组原型刻画。通常情况下，算法先对原型进行初始化，然后对原型进行迭代更新求解。 算法如下： 集DDD={x1,x2,...,xmx_1,x_2,...,x_mx1​,x2​,...,xm​} ...

（2）对于三维数组（彩色图像），plt.imshow() 函数并不会自动对输入数据归一化处理，而是对数据取值范围提出要求：如果是float型数据，取值范围应在[0,1]；如果是int型数据，取值范围应在[0,255]聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。（1）对于二维数组（灰度图像），函数会自动将输入数据归一化变换至[0,1]，然后显示。（3）将misc换成imageio。（1）安装imageio。

本章为吴恩达机器学习课后作业解析，主要内容包括实现Kmeans聚类和PCA(主成分分析)，内附数据及代码

**1. K-means图片压缩算法步骤：** ① 随机选择初始化的K个样本作为聚类中心,用数组centroids保存聚类中心的值，在本实验中，聚类的中心是图像的RGB值； ② 针对图片中的每个像素值，计算它到K个聚类中心的距离，并将其分配到距离最小的聚类中心所对应的类中。例如，第735个像素点距离centroids中目前的第2个聚类中心距离最近（此距离为欧式距离），则将idx[735]赋值为2； ③ 上一步完成后，idx(size==像素点个数)中储存了每个像素点对应的分类（一共有K个分类），针对每个分类

前面几篇文章 浅谈支持向量机 神经网络——手写数字识别 中涉及的算法都属于监督学习的范畴，今天小编给大家介绍一种属于无监督学习范畴的算法——K-means。K-means是一种应用很广泛的聚类算法。聚类，通俗的讲就是“人以群分物以类聚”。K-means是怎么实现聚类的呢？下面我们以一个简单的样例来阐述它的工作原理。观察上面的图，我们一般会认为这些数据点集中分布在三个区域，即这些数据点可以聚成三个族...