原文：
www.kdnuggets.com/2019/06/k-means-clustering-dask-image-filters.html
评论
由Luciano Strika提供，MercadoLibre
对图像应用滤镜对任何人来说都不是新概念。我们拍一张照片，对其进行一些更改，然后它看起来更酷。但是人工智能的作用在哪里？让我们尝试一下用 K Means 聚类进行无监督机器学习的有趣用例。
我之前写过K Means 聚类，所以我会假设你对这个算法已经熟悉。如果你不熟悉，可以查看我写的深入介绍。
此外，我还尝试了用自编码器进行图像压缩（好吧，是重建），效果有好有坏。
然而，这一次，我的目标是不重建最好的图像，而只是查看用最少颜色重建图片的效果。
与使图片尽可能接近原始图片不同，我只是希望我们看完之后能说“真棒！”。
那我们该如何做呢？很高兴你问了。
首先，永远记住图像只是像素向量。每个像素是三个介于 0 到 255 之间的整数值的元组（无符号字节），代表该像素颜色的 RGB 值。
我们想要使用 K-means 聚类来找到最能表征图像的k个颜色。这意味着我们可以将每个像素视为单个数据点（在 3 维空间中），并进行聚类。
首先，我们需要在 Python 中将图像转换为像素向量。以下是实现方法。
顺便说一句，我认为vector_of_pixels函数不需要使用 Python 列表。我确信一定有办法展平 numpy 数组，只是我没找到（至少没有找到按照我想要的顺序进行展平的方法）。
如果你能想到任何方法，请在评论中告诉我！
下一步是拟合模型到图像，以便它将像素聚类为k种颜色。然后，只需将相应的聚类颜色分配给图像中的每个位置即可。
例如，也许我们的图片只有三种颜色：两种红色和一种绿色。如果我们将其拟合到 2 个聚类，那么所有红色像素都会变成不同的红色阴影（被聚在一起），其他的则会变成绿色。
但解释够了，让我们看看程序的实际效果！
和往常一样，你可以用任何你想要的图片自行运行，以下是带有代码的GitHub 仓库。
我们将把滤镜应用于小猫的图片，这些图片取自令人惊叹的“Cats vs Dogs”kaggle 数据集。
我们将从一张猫的图片开始，并使用不同的k值应用滤镜。以下是原始图片：
首先，我们来检查一下这张图片最初有多少种颜色。
仅用一行Numpy代码，我们计算了这张图片上像素的唯一值。这张图片特别有243 种不同颜色，尽管它总共有166167 个像素。
现在，让我们看看将其聚类为 2、5 和 10 种不同颜色后的结果。
只有两种颜色，它所做的只是标记最暗和最亮的区域。不过，如果你是艺术家，正在用黑白（例如墨水）绘制某些东西，并希望看到参考图像的轮廓，这可能会很有用。
只有 5 种不同的颜色，这只猫已经可以辨认出来了！！这只小猫的图片是使用 K 均值聚类压缩的。10 种颜色的图片可能看起来有点迷幻，但它比较清晰地展示了原图的内容。
你注意到什么趋势了吗？我们添加的每一种颜色的回报递减。拥有 2 种颜色和 5 种颜色之间的差别远大于 5 种和 10 种之间的差别。然而，10 种颜色时，平坦区域更小，细节更丰富。接下来看看 15 种和 24 种颜色！
尽管很明显，上面的图片使用了 24 种颜色的滤镜（原始数量的 10%），但我们足够好地展示了猫，并达到了一定的细节水平。
继续看另一张图片：这是原图（256 种不同颜色），这是压缩后的图片（24 种颜色）。
256 种颜色与 24 种颜色。注意到有什么区别吗？
有趣的是，“压缩”图像的大小为 18KB，而未压缩的图像为 16KB。我不太清楚为什么会这样，因为压缩器是相当复杂的，但希望看到你们在评论中的理论。
我们能够仅用原图 10% 的颜色生成新图像，且看起来非常相似。得益于 K-means 聚类，我们还获得了一些酷炫的滤镜。你能想到其他有趣的聚类应用吗？你认为其他聚类技术会产生更有趣的结果吗？
如果你想回答这些问题，可以通过 Twitter、Medium 或 Dev.to 与我联系。
简介： Luciano Strika 是布宜诺斯艾利斯大学的计算机科学学生，兼任 MercadoLibre 的数据科学家。他还在www.datastuff.tech撰写有关机器学习和数据的文章。
原文。经许可转载。
相关：
-
K-Means 聚类：推荐系统的无监督学习
-
提升你的图像分类模型
-
介绍 Dask-SearchCV：使用 Scikit-Learn 进行分布式超参数优化
1. Google 网络安全证书 - 快速进入网络安全职业。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT