k折交叉验证法python实现_使用python+sklearn实现使用K均值进行颜色量化

注意：单击此处https://urlify.cn/A3EJ3a下载完整的示例代码，或通过Binder在浏览器中运行此示例

对颐和园(中国)的图像进行逐像素矢量量化(Vector Quantization)(VQ)，将显示图像所需要的颜色数量从96、615种独特颜色减少到64种，同时保留整体图片的清晰度。 在此示例中，像素在三维空间中表示，K均值用于查找64个颜色的聚类。在图像处理文献中，从K均值(聚类中心)获得的codebook称为调色板(color palette)。使用一个字节，最多可以处理256种颜色，而RGB编码每个像素需要3个字节。例如，GIF文件格式使用了这样的调色板。 为了进行比较，还显示了使用随机codebook(随机拾取的颜色)的量化图像。

输出：

Fitting model on a small sub-sample of the datadone in 0.356s.Predicting color indices on the full image (k-means)done in 0.149s.Predicting color indices on the full image (random)done in 0.152s.

# 作者: Robert Layton #          Olivier Grisel #          Mathieu Blondel ## 许可证: BSD 3 clauseprint(__doc__)import numpy as npimport matplotlib.pyplot as pltfrom sklearn.cluster import KMeansfrom sklearn.metrics import pairwise_distances_argminfrom sklearn.datasets import load_sample_imagefrom sklearn.utils import shufflefrom time import timen_colors = 64# 加载颐和园照片china = load_sample_image("china.jpg")# 转换为浮点数，而不是默认的8位整数编码。# 除以255很重要，这使得plt.imshow的显示在浮点数据上效果很好# (需要在[0-1]范围内)china = np.array(china, dtype=np.float64) / 255# 加载图片(Image)并将其转换为二维numpy数组。w, h, d = original_shape = tuple(china.shape)assert d == 3image_array = np.reshape(china, (w * h, d))print("Fitting model on a small sub-sample of the data")t0 = time()image_array_sample = shuffle(image_array, random_state=0)[:1000]kmeans = KMeans(n_clusters=n_colors, random_state=0).fit(image_array_sample)print("done in %0.3fs." % (time() - t0))# 获取所有点的标签print("Predicting color indices on the full image (k-means)")t0 = time()labels = kmeans.predict(image_array)print("done in %0.3fs." % (time() - t0))codebook_random = shuffle(image_array, random_state=0)[:n_colors]print("Predicting color indices on the full image (random)")t0 = time()labels_random = pairwise_distances_argmin(codebook_random,                                          image_array,                                          axis=0)print("done in %0.3fs." % (time() - t0))def recreate_image(codebook, labels, w, h):    """从密码本和标签重新创建(压缩的)图像"""    d = codebook.shape[1]    image = np.zeros((w, h, d))    label_idx = 0    for i in range(w):        for j in range(h):            image[i][j] = codebook[labels[label_idx]]            label_idx += 1    return image# 显示所有结果以及原始图像plt.figure(1)plt.clf()plt.axis('off')plt.title('Original image (96,615 colors)')plt.imshow(china)plt.figure(2)plt.clf()plt.axis('off')plt.title('Quantized image (64 colors, K-Means)')plt.imshow(recreate_image(kmeans.cluster_centers_, labels, w, h))plt.figure(3)plt.clf()plt.axis('off')plt.title('Quantized image (64 colors, Random)')plt.imshow(recreate_image(codebook_random, labels_random, w, h))plt.show()

脚本的总运行时间：(0分钟1.769秒) 估计的内存使用量： 156 MB 下载Python源代码: plot_color_quantization.py 下载Jupyter notebook源代码: plot_color_quantization.ipynb 由Sphinx-Gallery生成的画廊

文壹由“伴编辑器”提供技术支持

☆☆☆为方便大家查阅，小编已将scikit-learn学习路线专栏 文章统一整理到公众号底部菜单栏，同步更新中，关注公众号，点击左下方“系列文章”，如图：

欢迎大家和我一起沿着scikit-learn文档这条路线，一起巩固机器学习算法基础。(添加微信：mthler，备注：sklearn学习，一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)