Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 46 vistas

    Aprendizaje No Supervisado: Una Aplicación A La Compresión de Imágenes Usando K-Means

    Cargado por

    Juan Fernando Páez
    Este documento describe el aprendizaje no supervisado y el algoritmo k-means, y cómo se puede usar k-means para comprimir imágenes mediante la agrupación de píxeles con colores similares en clusters. También cubre la implementación de k-means en Python usando la biblioteca scikit-learn.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Aprendizaje No Supervisado: Una Aplicación A La Compresión de Imágenes Usando K-Means

    Cargado por

    Juan Fernando Páez
    46 vistas17 páginas
    Este documento describe el aprendizaje no supervisado y el algoritmo k-means, y cómo se puede usar k-means para comprimir imágenes mediante la agrupación de píxeles con colores similares en clusters. También cubre la implementación de k-means en Python usando la biblioteca scikit-learn.

    Título original

    Untitled

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el aprendizaje no supervisado y el algoritmo k-means, y cómo se puede usar k-means para comprimir imágenes mediante la agrupación de píxeles con colores similares en clusters. También cubre la implementación de k-means en Python usando la biblioteca scikit-learn.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    46 vistas17 páginas

    Aprendizaje No Supervisado: Una Aplicación A La Compresión de Imágenes Usando K-Means

    Cargado por

    Juan Fernando Páez
    Este documento describe el aprendizaje no supervisado y el algoritmo k-means, y cómo se puede usar k-means para comprimir imágenes mediante la agrupación de píxeles con colores similares en clusters. También cubre la implementación de k-means en Python usando la biblioteca scikit-learn.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 17

    Aprendizaje No Supervisado

    Una Aplicación a la Compresión


    de Imágenes usando K-means
    Agenda
    1. Objetivos
    2. Aprendizaje Supervisado vs No Supervisado
    3. K-means
    4. Aplicación de k-means para la compresión de imágenes
    5. Implementación de k-means
    6. Conclusiones
    Objetivos
    1. Describir los conceptos del aprendizaje no supervisado. RdA1
    2. Diferenciar el aprendizaje no supervisado del supervisado. RdA1
    3. Conocer el algoritmo de aprendizaje no supervisado k-means y su
    aplicación a un problema de telecomunicaciones. RdA2
    4. Utilizar k-means para comprimir imágenes. RdA3
    Aprendizaje Supervisado
    Aprendizaje No Supervisado
    Aplicaciones de Aprendizaje No Supervisado
    Algoritmo k-means
    Cuántas tallas (# de clusters k) de camisetas es
    adecuado para el siguiente dataset?
    3 clusters (tallas) : Small, Medium, Large ?

    5 clusters (tallas): Extra Small, Small, Medium, Large, Extra Large ?

    4 clusters: Extra Small, Small, Medium, Large?

    El número de clusters con menor distorsión?


    Compresión de Datos
    Sin pérdida

    ● Codificación de Huffman
    ● Codificación Aritmética
    ● Compresión RLE
    (Run-length encoding)

    Con pérdida

    ● Compresión por fractales


    ● Codificación por transformación (e.g., Transformada discreta del coseno,
    k-means)
    K-means para comprimir imágenes
    Almacenamiento de una imagen de 750x1000 píx.
    Sin comprimir:

    ● Cada pixel tiene 3 canales: R, G, y B.


    ● Cada canal requiere 8 bits (valores de 0 - 255)
    ● Cada píxel requiere 3*8 bits de almacenamiento
    ● Almacenamiento Requerido = 750*1000*3*8 bits = 2.25 MegaBytes

    Combinaciones de posibles colores = 256*256*256 = 16 777 216


    Percepción visual
    Colores cercanos son muy parecidos al ojo humano

    Pixel x

    Pixel y

    ● K-means reemplaza colores parecidos por uno de los k


    centroides (el más cercano)
    ● Las características son los valores R, G, B.
    Compresión de imágenes con k-means
    ● E.g., si k=64=26, se requiere:
    ○ 750*1000*6+64*3*8 bits = 0.56 MegaBytes vs 2.25 sin compresión
    ○ 75% menos espacio de almacenamiento
    ● E.g., si k=256=28, se requiere:
    ○ 750*1000*8+256*3*8 bits = 0.75 MegaBytes vs 2.25 sin compresión
    ○ 66 % menos espacio de almacenamiento
    Implementación de k-means en Python
    Python ofrece una implementación de k-means en la librería sklearn.

    sklearn.cluster.KMeans

    Usaremos la plataforma Google Colab para implementar k-means

    https://colab.research.google.com/drive/1xO7VJEaPWs-RTZ20TsgyRMUzmv_p
    OnBB#scrollTo=-7uKBLjULeHK
    Resumen y Conclusiones
    ● A.N.S no requiere etiquetas
    ● A.N.S infiere las etiquetas
    ● K-means usa centroides para construir clusters
    ● Hay agrupaciones mejores que otras (inicialización aleatoria)
    ● Criterios para escoger: matemática (distorsión) ó no matemática
    ● K-means: algoritmo de compresión con pérdidas de imágenes basado en
    percepción visual.
    ● Python ofrece librerías listas para implementar k-means y otros
    algoritmos de A.N.S
    Existe vida más allá de k-means?
    ● K-means++ (una manera inteligente de inicializar centroides)
    ● Clustering no lineal
    ● Clustering jerárquico
    ● Clustering espectral
    ● ...
    Referencias
    1. W3schools, “RGB Calculator”. https://www.w3schools.com/colors/colors_rgb.asp
    2. Satyam Kumar, “Image Compression using K-Means”
    https://towardsdatascience.com/image-compression-using-k-means-clustering-aa0c91bb0eeb
    3. Andrew Ng, “Machine Learning”. Stanford University on Coursera.
    4. Emily Fox & Carlos Guestrin. “Machine Learning Specialization”. University of Washington on
    Coursera.
    5. SKlearn, K-Means, https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html
    6. Christopher Bishop, “Pattern Recognition and Machine Learning”, Springer, 2006.

    También podría gustarte

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy