点击上方关注，All in AI中国
300种颜色到24种颜色
对任何人来说，图像运用过滤器都不是一个新概念。我们拍了一张照片，做了一些修正，如今看起来更酷了。但是人工智能从何而来呢?让我们尝试运用Python中的k均值聚类停止无监督机器学习。
我以前写过关于k均值聚类的文章，所以我假设你这次对这个算法很熟习。 假如你不是，可以看下我写的深化引见K-Means Clustering: Diving into Unsupervised Learning | Data Stuff。
我还尝试用自动编码器停止图像紧缩，获得了不同程度的成功。
但是，这一次，我的目的不是重建最好的的图像，而是看看用尽能够少的颜色重新创建图片的效果。
那么我们应该怎样做呢?
如何用k均值聚类停止图像过滤
首先，最好记住图像只是像素向量。每个像素是由0到255之间的三个整数值(无符号字节)组成的元组，它们表示像素的颜色的RGB值。
我们想要用K个均值聚类来找到K个最能代表图像的颜色。这仅仅意味着我们可以将每个像素看作一个单一的数据点(在三维空间中)，并将它们聚在一同。
首先，我们要用Python把图像转换成像素向量。我们是这样做的。
例如，也许我们的照片只要三种颜色:两种红色和一种绿色。假如我们把它放到两个集群中，一切红色的像素都会变成不同的红色(聚集在一同)，其他的像素会变成绿色的。
但是这些解释曾经足够了，让我们看看这个程序是如何运转的!
像往常一样，你可以自在地运用任何你想要的pic运转它，这里是带有代码的GitHub存储库GitHub - StrikingLoo/K-means-image-compression: Applying K-means clustering to image compression。
或者，也许我们的照片只要三种颜色：两种红色，一种绿色。 假如我们将它放到两个集群中，一切红色像素将变成一些不同的红色暗影（聚集在一同），而其他像素将变成一些绿色的像素。
但这些解释曾经足够了，让我们看看这个程序是如何运转的。像往常一样，您可以自在地运用您想要的任何图片运转它，这里是带有代码的GitHub存储库。GitHub - StrikingLoo/K-means-image-compression: Applying K-means clustering to image compression
结果
我们将把过滤器运用到小猫的照片上，照片从"猫狗大战"kaggle数据集中找到。
我们从一只猫的照片，然后对k运用不同值的滤镜。这里是原始的图片:
首先，让我们检查一下这幅图最后有多少种颜色。
只需求一行numpy，我们就可以计算一个像素在这幅图上所取的独一值。虽然它总共有166167个像素，但在这张图片上有243种不同的颜色。
如今，让我们看一下将它聚类为2、5和10种不同颜色的结果。
只要两种颜色，它所做的只是标记最暗和最亮的区域。 但是，假如你是一个艺术家，用黑白（例如用墨水）绘画一些东西，并想看看参考轮廓是什么样的，那么这能够是有用的。
只要5种不同的颜色，这只猫曾经可以辨认了
这10种颜色的图片能够看起来有点迷幻，但它很清楚地代表了原作的内容
你留意到了一个趋向吗？ 我们添加的每种颜色都有递减的报答。 2种颜色和5种颜色之间的差异远大于5和10之间的差异。但是，对于10种颜色，平整区域更小，我们有更多的粒度。 继续看15和24种颜色！
虽然很分明这是一张经过过滤的图片，有24种颜色(原始数量的10%)，但我们曾经很好地表现了猫的笼统，并达到一定程度的细节。
换一幅不同的图片:一个是原始图片(256种不同的颜色)，一个是紧缩图片(还是24种颜色)。
风趣的是，"紧缩"的图像为18KB，而未紧缩的图像是16KB。我真的不知道为什么会这样，由于紧缩机是相当复杂的野兽，但很乐意在回复中看到你的想法。
结论
我们只能用原来颜色的10%来制造新的图像，这看起来和它们非常相似。由于k均值聚类，我们还得到了一些看起来很酷的过滤器。你能想到其他风趣的集群运用程序吗?你能否以为其他聚类技术可以产生更风趣的结果? | 
