Experiment 6: K-Means

• 语言: 英语
• 格式: .pdf
• 来源: funglee.github.io

摘要

本实验通过K-Means算法对图像进行颜色压缩，将鸟类图像的颜色从数千种减少到16种。实验步骤包括加载小尺寸图像，使用K-Means算法计算16个聚类中心，并将这些中心颜色应用到大尺寸图像上以实现压缩。过程中，通过Matlab/Octave实现加载图像、执行聚类算法以及重新分配颜色，最终生成压缩后的图像。

AI总结

### 总结

该文档描述了一个使用K均值算法压缩图像颜色的实验。实验目标是将一张鸟图的颜色数量从成千上万种减少到16种，从而实现更高效的图像表示。

1. **实验内容**
- 下载提供的`data6.zip`文件，并解压到工作目录。
- 使用小图像`bird small.tiff`进行K均值聚类，计算出16个颜色集群的中心（集群中心为RGB值）。
- 将小图像的聚类结果应用到大图像`bird large.tiff`上，将每个像素替换为最接近的集群中心颜色。

2. **图像表示**
- 原始图像使用24位颜色表示，每个像素由三组8位数（红、绿、蓝）的强度值组成。
- 目标是通过K均值算法将颜色数量减少到16种，仅存储These 16种颜色的RGB值即可。

3. **K均值算法实现步骤**
- **初始化**：从小图像中随机采样16种颜色作为初始集群中心（均值）。
- **分配步骤**：计算每个像素到各集群中心的距离，并将其分配到最近的集群中心。
- **更新步骤**：根据分配的像素重新计算集群中心的RGB值。若某个集群中心没有分配的像素，则不更新。
- **迭代**：重复分配和更新步骤，直至集群中心的位置收敛（通常在30到100次迭代之间）。可以采取固定迭代次数或判断均值变化幅度来决定终止条件。

4. **实现细节**
- 使用Matlab/Octave加载图像，并将图像矩阵转换为双精度格式。
- 小图像的尺寸为128×128像素，处理后得到的16种颜色用于替换大图像（538×538像素）的每个像素。
- 替换完成后，将结果图像以uint8格式显示并保存为`bird kmeans.tif`。

5. **注意事项**
- 在某些情况下，初始采样的颜色可能重复，导致某些集群中心无像素分配，需避免除以零的错误。
- 集群中心的收敛通常通过均值位置的变化幅度来判断。

通过该实验，可以有效减少图像中的颜色数量，实现图像压缩的同时保持视觉效果。