本系列文章配套代码获取有以下两种途径：
-
通过百度网盘获取：
链接: https://pan.baidu.com/s/1i9F6oV1J5oZnIsOASDs0gQ?pwd=mnsj提取码: mnsj
-
前往GitHub获取：
https://github.com/returu/Python_mini_program使用Scikit-learn（sklearn）的聚类算法，特别是K-means聚类，对图片进行压缩是一个有效的技术。这种方法可以减少图片中的颜色数量，从而降低图片的文件大小，同时尽量保持图片的视觉质量。
-
加载图片：
使用PIL库加载图片并转换为numpy数组。
-
压缩图片：
使用K-means算法对像素进行聚类，将图片中的颜色聚类为n_colors个簇。然后使用聚类中心的颜色替换原始图片的颜色，得到压缩后的图片。
-
保存图片：
将压缩后的图片保存为新的文件。
-
显示图片：
使用Matplotlib显示原始图片和压缩后的图片进行对比。
-
注意事项：
n_colors：表示想要压缩到的颜色数量，数值越小，压缩效果越明显，但图片质量也会下降。
示例代码如下：
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from PIL import Image
def load_image(image_path):
"""
加载图片并转换为numpy数组
"""
image = Image.open(image_path)
# 检查图像是否为灰度图像
if image.mode == 'L':
# 如果是灰度图像，则直接转换为numpy数组
image_np = np.array(image)
else:
# 如果是彩色图像，则转换为RGB并获取numpy数组
image = image.convert('RGB')
image_np = np.array(image)
return image_np
def compress_image(image_np, n_colors):
"""
使用K-means算法压缩图片
"""
if len(image_np.shape) == 2:
# 灰度图像
h, w = image_np.shape
image_reshaped = image_np.reshape(-1, 1) # 将图片数据转换为二维数组（h*w, 1）
# 使用K-means算法进行聚类
kmeans = KMeans(n_clusters=n_colors, random_state=42)
kmeans.fit(image_reshaped)
# 获取聚类标签
labels = kmeans.labels_
# 获取聚类中心（即新的颜色）
centers = kmeans.cluster_centers_
# 用聚类中心的颜色替换原始图片的颜色
compressed_image = centers[labels].reshape(h, w).astype(np.uint8)
else:
# 彩色图像
h, w, c = image_np.shape # 获取图片的尺寸
image_reshaped = image_np.reshape(-1, 3) # 将图片数据转换为二维数组（h*w, c）
# 使用K-means算法进行聚类
kmeans = KMeans(n_clusters=n_colors, random_state=42)
kmeans.fit(image_reshaped)
# 获取聚类标签
labels = kmeans.labels_
# 获取聚类中心（即新的颜色）
centers = kmeans.cluster_centers_
# 用聚类中心的颜色替换原始图片的颜色
compressed_image = centers[labels].reshape(h, w, c).astype(np.uint8)
return compressed_image
def save_image(image_np, output_path):
"""
将numpy数组保存为图片
"""
image = Image.fromarray(image_np)
image.save(output_path)
def main(image_path, output_path, n_colors):
# 加载图片
image_np = load_image(image_path)
# 压缩图片
compressed_image = compress_image(image_np, n_colors)
# 保存压缩后的图片
save_image(compressed_image, output_path)
# 显示原始图片和压缩后的图片
original_image = Image.open(image_path)
original_image_np = np.array(original_image)
fig, ax = plt.subplots(1, 2, figsize=(12, 6))
if len(original_image_np.shape) == 2:
# 灰度图像
ax[0].imshow(original_image_np, cmap='gray')
ax[1].imshow(compressed_image, cmap='gray')
else:
# 彩色图像
ax[0].imshow(original_image_np)
ax[1].imshow(compressed_image)
ax[0].set_title("Original Image")
ax[0].axis('off')
ax[1].set_title(f"Compressed Image with {n_colors} colors")
ax[1].axis('off')
plt.show()
# 示例使用
image_path = 'test.jpg' # 替换为你的图片路径
output_path = 'compressed_image.jpg'
n_colors = 16 # 选择要压缩到的颜色数量（对于灰度图像，这将是灰度级别数）
main(image_path, output_path, n_colors)
压缩效果如下所示：
本篇文章来源于微信公众号: 码农设计师
