JupyterLab上写一个基于Webp的彩色图像压缩算法，并计算压缩率

非常有趣的问题！基于Webp的彩色图像压缩算法可以采用无损压缩或有损压缩。无损压缩可以保证图像质量不变，有损压缩则需要在压缩率和图像质量之间做出权衡。以下是一个有损压缩的算法示例：

1. 将彩色图像转换为YUV格式，其中Y表示亮度，U和V表示色度。
2. 对U和V通道进行下采样，将分辨率降低为原来的一半或一四分之一。
3. 对每个通道分别进行离散余弦变换（DCT）。
4. 对DCT系数进行量化，将高频分量降低，从而减小数据量。
5. 对量化后的系数进行熵编码，生成压缩数据。

计算压缩率可以使用以下公式：

压缩率 = 原始数据大小 / 压缩后数据大小

在JupyterLab上实现这个算法可以使用Python语言和OpenCV库。以下是一个简单的示例代码：

import cv2
import numpy as np

# 读入原始图像
img = cv2.imread('input.png')

# 转换为YUV格式
yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)

# 下采样U和V通道
yuv[:, :, 1] = cv2.resize(yuv[:, :, 1], (yuv.shape[1]//2, yuv.shape[0]//2), interpolation=cv2.INTER_LINEAR)
yuv[:, :, 2] = cv2.resize(yuv[:, :, 2], (yuv.shape[1]//2, yuv.shape[0]//2), interpolation=cv2.INTER_LINEAR)

# 对每个通道进行DCT
dct = np.zeros_like(yuv, dtype=np.float32)
for i in range(3):
    dct[:, :, i] = cv2.dct(np.float32(yuv[:, :, i]))

# 对DCT系数进行量化
quantized = np.round(dct / 10) * 10

# 对量化后的系数进行熵编码
_, compressed = cv2.imencode('.webp', quantized)

# 计算压缩率
original_size = img.size * img.itemsize
compressed_size = compressed.size
compression_ratio = original_size / compressed_size

print(f'压缩率：{compression_ratio:.2f}')

注意，这只是一个简单的示例代码，压缩率可能会有所不同，具体取决于图像质量和压缩参数的设置。