一种压缩图片的方法---Machine learning 之 K-Means

背景描述：

　　RGB编码：对于一个直接用24bit表示每一个而像素的图像来说，每一个pixel使用8-bit无符号整数(0-255)来表示红or绿or蓝。

压缩目的：

　　将128x128大小的图片由原来的24bit表示-压缩成->16bit表示每一个像素的图像。

压缩方法：

　　对于每一个pixel, 使用 K-Means选择16bits来表示原来的24bits。当然，具体是通过计算每一个像素空间的16bits大小的聚类来表示原来的24bits。

实现步骤：

　　1.将原来的128x128大小的图片读入到一个3维矩阵A中。举个例子 A(50， 33， 3)表示原图片中rowNum = 50 columnNum = 33 RGB中的B维 所对应的

颜色值（0-255）。这样我们就得到了一个 X = （m x 3）matrix of piexl colors( where m = 128 * 128 = 16384)。

　　2.运行K-Means算法，取K= 16, 这样将每一个pixel聚类到一个Cluster k上(关于K-means初始K个点的选择 其实就是随机在X中选出K个点作为 centroid的)。用k这个centroid point的location来代表原来的像素值。这里K=16，我们可以用四位来表示16种分类的可能。那么也就需要4bits就可以记录当前piexl的压缩后的分类。（当然，最后还需要有一个对照表 k(16个颜色（？为啥不用4bits来映射，2进制转换太繁琐！这里直接映射就好了）) -> RGB(24bits)）。

压缩效果：

　　压缩前大小：128*128*24 = 393216 bits;

　　压缩后大小：128*128*4 + 16*24 = 65920 bits;

　　压缩因子接近 6！

　　代码在gitlab Machine learning ex7中。

核心思路：

　　K-means进行图片压缩，压缩的并不是颜色。原来用24位表示颜色，现在也用24位表示颜色。只不过编码方式发生了改变，将原来的24bits种颜色变成了16bits种颜色。而这个过程正是采用的k-means聚类。那么颜色之间的区分度就变得不是那么明显，导致分辨率下降。

Have fun , good luck!

And this is my picture kebe compressed:

 K-Means结果可视化

　　如图每一个颜色代表一个cluster（共计16种）。