【数字图像处理】使用kmeans算法对TrueColor图片进行优化

实验的主要内容是将truecolor的图片经过一个优化算法获得其256色的最优表示。本实验采用kmean作算法对像素的色彩进行聚类的计算，分类获得一个色彩数为256的CodeBook，和一个包含有CodeBook索引的矩阵，原图片的颜色值都从CodeBook中获取，colorMap矩阵保存其中像素颜色的索引值，这样经过索引恢复出一个近似的图片文件，达到比传统的GIF图像更好的效果。

 

由上图可见，256色的GIF图像有明显的颗粒感，这是由于图像发色数太低形成的颜色不连贯。

 

上图是经过优化算法计算的256色的图片，从图片上能够看出，颜色过渡平滑，几乎看不出颗粒感，相较于256色的GIF图像有明显的优点。

 

从图片上能够很好的看出，GIF采用的ColorMap对图像有明显的失真，细节图中颗粒感明显，对比采用优化算法的细节图，一样是256色，优化算法处理以后的图片能够和采用24bitTrueColor的JPG图片相媲美，从图像中几乎看不出失真。

源代码：

main.py

 

from colorMap import *

fileName='lena.jpg'
clusterNum=256
codeBook,colorMap=kmeansImg(fileName,clusterNum)
rimg=recoveryImg(codeBook,colorMap)
cv2.imwrite('./r.jpg',rimg)
cv2.imshow('rimg',rimg)
img=cv2.imread('lena.jpg')
cv2.imshow('img',img)
cv2.waitKey()

from scipy.cluster.vq import *
from numpy import *
import cv2

def kmeansImg(fileName,clusterNum):
    img=cv2.imread(fileName)
    rl=img.shape[0]
    cl=img.shape[1]
    img=reshape(img,(img.shape[0]*img.shape[1],img.shape[2]))
    codeBook,dis1=kmeans(img,clusterNum)
    colorMap,dis2=vq(img,codeBook)
    colorMap=reshape(colorMap,(rl,cl))
    return codeBook,colorMap

def recoveryImg(codeBook,colorMap):
    img=[]
    for r in range(colorMap.shape[0]):
        for l in range(colorMap.shape[1]):
            img.append(list(codeBook[colorMap[r,l]]))
    img=array(img)
    img=reshape(img,(colorMap.shape[0],colorMap.shape[1],3))
    return img