compressed_image.show()

如果你在使用 `compressed_image.show()` 时遇到了 `AttributeError: 'NoneType' object has no attribute 'show'` 的错误，这可能是因为 PIL Image 对象没有正确地创建。

在 `compress_image` 函数中，我们使用了以下代码来将压缩后的图像数据转换为 PIL Image 对象：

compressed_image = Image.fromarray(np.uint8(compressed_data))

如果该代码没有正确地执行，那么 `compressed_image` 将是一个空值（即 NoneType），这会导致 `compressed_image.show()` 报错。

解决这个问题的方法是，在调用 `compressed_image.show()` 之前，添加以下代码来检查 `compressed_image` 是否为空：

if compressed_image is not None:
    compressed_image.show()

如果 `compressed_image` 不为空，那么就会显示压缩后的图像；否则，就不会进行显示。这样可以避免出现 `AttributeError: 'NoneType' object has no attribute 'show'` 的错误。

相关问题

怎么将compressed_image.show()显示的图像变为彩色图像

在前面的代码中，我们使用 `PIL` 库将彩色图像转换为灰度图像，并对灰度图像进行了压缩。如果要将压缩后的灰度图像转换回彩色图像，可以使用以下方法：

首先，读取原始的彩色图像：

with open('test.jpg', 'rb') as f:
    image_data = BytesIO(f.read())
    original_image = Image.open(image_data)

然后，将压缩后的图像转换为灰度图像：

compressed_image = compress_image(original_image, 20)[0].convert('L')

接着，将原始的彩色图像和压缩后的灰度图像进行 resize：

original_image = original_image.resize(compressed_image.size)

最后，使用 `PIL` 库的 `merge` 方法将原始图像中的每个像素的 RGB 值与对应的压缩后的灰度图像中的像素值进行合并：

merged_image = Image.merge('RGB', (original_image.getchannel('R'), original_image.getchannel('G'), original_image.getchannel('B')))
merged_image.show()

这样就可以将压缩后的灰度图像转换为彩色图像，并显示出来。注意，这个方法只是将原始图像中的颜色信息恢复了回来，但是压缩后的图像仍然是经过压缩处理的。

import numpy as np from sklearn.cluster import KMeans def compress_image(image, n_clusters): # 转换为一维向量 data = image.reshape(-1, 3) # 用 KMeans 算法将像素点聚类到 n_clusters 个簇中 kmeans = KMeans(n_clusters=5, random_state=0).fit(data) # 将每个像素点替换为所属簇的中心像素值 compressed_data = np.array([kmeans.cluster_centers_[label] for label in kmeans.labels_]) # 将压缩后的一维向量转换回原图像的形状 compressed_image = compressed_data.reshape(image.shape) return compressed_imageimport matplotlib.pyplot as plt from PIL import Image # 读取图像 image = np.array(Image.open('0.jpg')) # 将图像数据归一化到 [0, 1] 范围内 image = image.astype('float32') / 255.0 # 压缩图像 compressed_image = compress_image(image_norm, n_clusters=16) # 显示压缩前后的图像 fig, ax = plt.subplots(1, 2, figsize=(10, 5)) ax[0].imshow(image) ax[0].set_title('Original Image') ax[1].imshow(compressed_image) ax[1].set_title('Compressed Image') plt.show()加上计算压缩率的功能

可以在 compress_image 函数中添加计算压缩率的功能，具体实现如下：

import numpy as np
from sklearn.cluster import KMeans

def compress_image(image, n_clusters):
    # 转换为一维向量
    data = image.reshape(-1, 3)

    # 用 KMeans 算法将像素点聚类到 n_clusters 个簇中
    kmeans = KMeans(n_clusters=n_clusters, random_state=0).fit(data)

    # 将每个像素点替换为所属簇的中心像素值
    compressed_data = np.array([kmeans.cluster_centers_[label] for label in kmeans.labels_])

    # 将压缩后的一维向量转换回原图像的形状
    compressed_image = compressed_data.reshape(image.shape)

    # 计算压缩率
    compressed_size = compressed_data.nbytes
    original_size = image.nbytes
    compression_ratio = compressed_size / original_size

    return compressed_image, compression_ratio

import matplotlib.pyplot as plt
from PIL import Image

# 读取图像
image = np.array(Image.open('0.jpg'))

# 将图像数据归一化到 [0, 1] 范围内
image = image.astype('float32') / 255.0

# 压缩图像
n_clusters = 5
compressed_image, compression_ratio = compress_image(image, n_clusters)

# 显示压缩前后的图像
fig, ax = plt.subplots(1, 2, figsize=(10, 5))
ax[0].imshow(image)
ax[0].set_title('Original Image')
ax[1].imshow(compressed_image)
ax[1].set_title('Compressed Image')

# 显示压缩率
plt.figtext(0.5, 0.9, f'Compression Ratio: {compression_ratio:.2%}', ha='center', fontsize=12)

plt.show()

在上述代码中，计算压缩率的代码为：

compressed_size = compressed_data.nbytes
original_size = image.nbytes
compression_ratio = compressed_size / original_size

其中，`compressed_data.nbytes` 表示压缩后的图像数据的字节数，`image.nbytes` 表示原始图像数据的字节数，压缩率即为两者之比。