Квантование цвета с использованием K-Means в Scikit Learn

В этой статье мы поиграем со значением интенсивности пикселей, используя алгоритмы машинного обучения. Цель состоит в том, чтобы выполнить пример квантования цвета с использованием KMeans в библиотеке Scikit Learn.

Квантование цвета

Квантование цвета — это метод, при котором цветовые пространства в изображении сводятся к количеству различных цветов. Даже после квантования цвета новое изображение визуально похоже на исходное изображение.

Квантование цвета в основном используется для отображения или визуализации изображений с большим количеством пробелов на тех устройствах, которые могут отображать только ограниченное количество цветов, в основном из-за ограничений памяти. Этот метод позволяет алгоритмам сжатия отображать изображение на тех устройствах, где дисплей ограничен числом оттенков.

K-Means — это алгоритм кластеризации обучения без учителя, который имеет дело с кластеризацией на основе плотности. В этой статье мы будем использовать алгоритм K-средних для выполнения квантования цвета в изображении.

Квантование цвета с использованием K-Means в Scikit Learn

Во-первых, мы импортируем необходимые модули:

• NumPy
• OpenCV
• Матплотлиб
• Scitkit-узнать

Если приведенный выше код выдает ImportError, используйте команду pip install для установки пакетов.

Затем нам нужно прочитать изображение, для которого мы будем использовать OpenCV.

Выход:

После этого нам нужно изменить форму изображения, т.е. сгладить изображение, чтобы передать модель.

KMeans — это алгоритм кластеризации, значение k следует процедуре. Процедура состоит в применении алгоритма KMeans с числом кластеров, равным количеству цветов, для которых требуется выполнить операцию квантования.

Так как полученное color_space имеет число с плавающей запятой, нам нужно преобразовать его в целое число без знака, чтобы визуализировать изображение. Мы возвращаем исходную форму изображения, т. е. отменяем сглаживание.

Выход:

Вывод

Изображения выглядят одинаково, но выходное изображение намного сжимаемее по сравнению с входным изображением. Мы можем использовать разные значения n_clusters для получения лучших результатов.