图像像素差异图像量化和KMeans

　　所谓图像量化就是将在空间上连续的图像像素值，转换为区间单个特定值的过程，举个例子，就是把0，1，2，3，4，5表示为05这样的区间过程。我们通过图像感受一下：
　　1。图像量化原始图像：
　　原始图像绘图等级为2：
　　灰度等级为16：
　　那么具体怎么实现的呢？方法很简单：defqualitysampling（cv2img，level4）：采样：灰度分级h，w，channelcv2img。shapeimgnewnp。zeros（cv2img。shape，np。uint8）空白图像levels〔int（x256level）forxinrange（256）ifint（x256level）256〕根据灰度等级确定灰度区间数值图像灰度分类foriinrange（h）：forjinrange（w）：forcinrange（channel）：valuecv2img〔i，j〕〔c〕currentlevel〔levels〔idx〕foridx，nextlevelinenumerate（levels〔1：〕）ifvaluelevels〔idx〕andnextlevelvalue〕iflen（currentlevel）0：currentlevelmax（levels）imgnew〔i，j〕〔c〕np。uint8（currentlevel）delcv2imgreturnimgnewimglevels〔〕img1qualitysampling（oriimg，level2）img2qualitysampling（oriimg，level4）img3qualitysampling（oriimg，level8）img4qualitysampling（oriimg，level12）img5qualitysampling（oriimg，level16）img6qualitysampling（oriimg，level32）img7qualitysampling（oriimg，level64）img8qualitysampling（oriimg，level128）img7qualitysampling（oriimg，level64）img8qualitysampling（oriimg，level128）
　　原始图像：
　　不同灰度等级的图像：
　　灰度等级256：
　　我们可以看到，随着灰度等级变大（灰度等级为2，表示将256的像素值分为2份，即0128位一份，），图像越来越接近原始图像，其实就是把灰度值接近的放到一起，这也类似kmeans。只不过后者是根据灰度值进行分组（分组间距可能是不等距的），分组是根据各像素值之间的接近程度划分的，而前者是强制的等间距分组。
　　2。kmeans
　　实现方法：defkmeans（cv2img，numcluster4）：dataoriimg。reshape（（1，3））datanp。float32（data）h，w，channelcv2img。shape中点criteria（cv2。TERMCRITERIAEPScv2。TERMCRITERIAMAXITER，10，1。0）设置标签flagscv2。KMEANSRANDOMCENTERScompactness，labels，centerscv2。kmeans（data，Knumcluster，bestLabelsNone，criteriacriteria，attempts10，flagsflags）centersnp。uint8（centers）数据类型转换imgkmeanscenters〔labels。flatten（）〕转换imgkmeansimgkmeans。reshape（（cv2img。shape））delcv2imgreturnimgkmeans
　　kmeans效果如下：原始图像：
　　kmeans4簇聚类效果：
　　kmeans8簇聚类效果：
　　为了区分两种差异，我们再看一组图像：