kmeans压缩图像代码

K-means算法通常用于聚类分析，不适合直接用于图像压缩，因为它的目标是将数据划分为相似组，而不是生成压缩表示。然而，我们可以结合一些技术将其用于图像降维或特征提取，然后再用其他编码方法（如JPEG、WebP等）进行压缩。以下是一个简化的例子，展示了如何使用K-means对图像进行颜色量化，然后进一步压缩：

from PIL import Image
import numpy as np
from sklearn.cluster import KMeans

# 加载图像并转换为灰度图（如果原图彩色）
img = Image.open('input.jpg').convert('L')

# 转换为二维数组
image_data = np.array(img).flatten()

# 使用K-means进行聚类，比如设置k=64
kmeans = KMeans(n_clusters=64, random_state=42)
cluster_labels = kmeans.fit_predict(image_data)

# 根据聚类标签创建新的像素值，这里假设每个簇代表一个新的颜色
compressed_image = cluster_labels.reshape(img.shape)

# 使用Image模块保存压缩后的图像
compressed_img = Image.fromarray(compressed_image)
compressed_img.save('compressed_image.jpg')

请注意，这种方法压缩效果有限，因为它仅依赖于颜色的近似而非视觉感知上的相似性。真正的图像压缩通常会考虑更多的因素，如熵编码等。