背景描述：
RGB編碼：對於一個直接用24bit表示每一個而像素的圖像來說，每一個pixel使用8-bit無符號整數(0-255)來表示紅or綠or藍。
壓縮目的：
將128x128大小的圖片由原來的24bit表示-壓縮成->16bit表示每一個像素的圖像。
壓縮方法：
對於每一個pixel, 使用 K-Means選擇16bits來表示原來的24bits。當然，具體是通過計算每一個像素空間的16bits大小的聚類來表示原來的24bits。
實現步驟：
1.將原來的128x128大小的圖片讀入到一個3維矩陣A中。舉個例子 A(50， 33， 3)表示原圖片中rowNum = 50 columnNum = 33 RGB中的B維 所對應的
顏色值（0-255）。這樣我們就得到了一個 X = （m x 3）matrix of piexl colors( where m = 128 * 128 = 16384)。
2.運行K-Means算法，取K= 16, 這樣將每一個pixel聚類到一個Cluster k上(關於K-means初始K個點的選擇 其實就是隨機在X中選出K個點作為 centroid的)。用k這個centroid point的location來代表原來的像素值。這里K=16，我們可以用四位來表示16種分類的可能。那么也就需要4bits就可以記錄當前piexl的壓縮后的分類。（當然，最后還需要有一個對照表 k(16個顏色（？為啥不用4bits來映射，2進制轉換太繁瑣！這里直接映射就好了）) -> RGB(24bits)）。
壓縮效果：
壓縮前大小：128*128*24 = 393216 bits;
壓縮后大小：128*128*4 + 16*24 = 65920 bits;
壓縮因子接近 6！
代碼在gitlab Machine learning ex7中。
核心思路：
K-means進行圖片壓縮，壓縮的並不是顏色。原來用24位表示顏色，現在也用24位表示顏色。只不過編碼方式發生了改變，將原來的24bits種顏色變成了16bits種顏色。而這個過程正是采用的k-means聚類。那么顏色之間的區分度就變得不是那么明顯，導致分辨率下降。
Have fun , good luck!
And this is my picture kebe compressed:
K-Means結果可視化
如圖每一個顏色代表一個cluster（共計16種）。