在 Python 中使用 K-Means 聚类对指定图片（lena.jpg）实现压缩，并通 过选取不同的聚类中心数来调整压缩的比例。（“KMeans.ipynb”中已经完成了图片加载 及可视化函数，

您的问题是如何在 Python 中使用 K-Means 聚类对指定图片实现压缩，并通过选择不同的聚类中心数来调整压缩的比例。

首先，您需要安装 scikit-learn 库，因为它包含了 K-Means 的实现。

然后，您可以使用以下代码对指定的图片进行压缩：

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

# 加载图片并转换为 numpy 数组
img = Image.open('lena.jpg')
img_data = np.array(img)

# 将图片数据重塑为二维数组
width, height, channel = img_data.shape
img_data = img_data.reshape(width*height, channel)

# 使用 K-Means 对像素进行聚类
kmeans = KMeans(n_clusters=16)
kmeans.fit(img_data)

# 将每个像素替换为其所属聚类的中心值
compressed_img_data = kmeans.cluster_centers_[kmeans.labels_]
compressed_img_data = np.uint8(compressed_img_data.reshape(width, height, channel))

# 保存压缩后的图片
compressed_img = Image.fromarray(compressed_img_data)
compressed_img.save('lena_compressed.jpg')

在上面的代码中，将图片数据重塑为二维数组的目的是为了方便调用 K-Means 函数。

您可以尝试不同的聚类中心数来调整压缩比例。在代码中，我们使用了 `n_clusters=16`，这意味着我们将像素分为 16 个簇，从而产生较高的压缩比。如果您想要更高质量的压缩，请增加聚类中心数。

注意，这种方法可能会导致压缩后的图像损失一些细节和质量。