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算法将鸟类图片的颜色从数千种减少到16种，以实现图像压缩。具体步骤包括：在128x128的小图片上使用K-means算法计算16个聚类中心，然后将这些中心应用到538x538的大图片上，替换每个像素的RGB值。算法通过迭代更新聚类中心，直到收敛，最终实现图像的高效表示。

AI总结

### 文档总结

#### 实验目标
通过K-means算法将一张包含数千种颜色的图片（bird_large.tiff）压缩为仅包含16种颜色的图片。目的是以更高效的方式存储图片，同时保留其视觉效果。

#### 方法与步骤
1. **处理小图片（bird_small.tiff）**
由于直接在538x538的大图片上运行K-means计算量较大，实验选择在128x128的小图片上进行聚类。
- 初始化：随机从图片中选取16种颜色作为初始质心。
- 迭代步骤：
- 对每个像素，计算其最近的质心（使用欧氏距离）。
- 根据分配到每个质心的像素，更新质心的RGB值。
- 重复上述步骤，直到质心位置不再显著变化或达到预设的最大迭代次数（30-100次）。

2. **处理大图片**
- 使用小图片上聚类得到的16种颜色，替换大图片中每个像素的颜色。
- 显示和保存处理后的图片：

     % 显示图片
     imshow(uint8(round(large_image)))  
     % 保存图片
     imwrite(uint8(round(large_image)), 'bird_kmeans.tiff');

#### 关键点
- **数据处理**：小图片（128x128）用于计算质心，避免计算量过大。
- **收敛条件**：迭代终止条件为质心位置不再显著变化或达到最大迭代次数。
- **注意事项**：更新质心时需确保该质心至少有一个像素被分配，否则会导致除以零错误。
- **结果应用**：将小图片的质心应用到大图片上，实现颜色压缩。

#### 总结
通过在小图片上运行K-means算法，计算出16种颜色质心，然后将这些颜色应用到大图片上，成功将图片的颜色数量从数千种减少到16种，实现了图像的高效压缩和存储。