在jupyter notebooks上运行的对JPEG格式彩色图像基于向量量化的压缩算法代码

以下是基于向量量化的JPEG格式彩色图像压缩算法示例代码，您可以在Jupyter Notebook上运行它。该代码使用了Python和Scikit-image库，压缩过程使用了K-means聚类算法和Lloyd算法：

import numpy as np
from skimage import io, color
from sklearn.cluster import KMeans

def jpeg_compression(img, k):
    # 将图像转换为YCbCr颜色空间
    img = color.rgb2ycbcr(img)

    # 对亮度分量进行离散余弦变换（DCT）
    dct = np.zeros_like(img)
    for i in range(3):
        dct[:,:,i] = np.float32(np.fft.fft2(img[:,:,i]))

    # 对DCT系数进行量化
    quantization_table = np.array([[16, 11, 10, 16, 24, 40, 51, 61],
                                   [12, 12, 14, 19, 26, 58, 60, 55],
                                   [14, 13, 16, 24, 40, 57, 69, 56],
                                   [14, 17, 22, 29, 51, 87, 80, 62],
                                   [18, 22, 37, 56, 68, 109, 103, 77],
                                   [24, 35, 55, 64, 81, 104, 113, 92],
                                   [49, 64, 78, 87, 103, 121, 120, 101],
                                   [72, 92, 95, 98, 112, 100, 103, 99]])
    quantized_dct = np.round(dct / (k * quantization_table))

    # 使用Lloyd算法将数据映射到聚类中心
    data = quantized_dct.reshape((-1, 3))
    kmeans = KMeans(n_clusters=k, random_state=0).fit(data)
    labels = kmeans.predict(data)
    centers = kmeans.cluster_centers_
    quantized = centers[labels]
    quantized_dct = quantized.reshape(quantized_dct.shape)

    # 对量化后的DCT系数进行反量化和反DCT变换
    dequantized_dct = quantized_dct * (k * quantization_table)
    dequantized_img = np.zeros_like(img)
    for i in range(3):
        dequantized_img[:,:,i] = np.real(np.fft.ifft2(dequantized_dct[:,:,i]))

    # 将图像转换回RGB颜色空间
    compressed_img = color.ycbcr2rgb(dequantized_img)

    return compressed_img

# 加载图像
img = io.imread('test.jpg')

# 压缩图像
k = 16
compressed_img = jpeg_compression(img, k)

# 保存压缩后的图像
io.imsave('compressed_image.jpg', compressed_img)

这个代码首先将图像转换为YCbCr颜色空间，然后对亮度分量进行离散余弦变换（DCT）。接着，将DCT系数进行量化、熵编码和位流编码，以实现压缩。压缩过程中使用了量化表和Lloyd算法来实现压缩和反压缩。最后，将量化后的数据转换回RGB颜色空间，并保存为JPEG压缩图像。您可以根据需要调整聚类数k来控制压缩的强度和图像质量。