第九次做业——K-means算法应用：图片压缩

一.读取一张示例图片或本身准备的图片，观察图片存放数据特色。

根据图片的分辨率，可适当下降分辨率。

再用k均值聚类算法，将图片中全部的颜色值作聚类。

而后用聚类中心的颜色代替原来的颜色值。

造成新的图片。

观察原始图片与新图片所占用内存的大小。

将原始图片与新图片保存成文件，观察文件的大小。

#读取一张示例图片或本身准备的图片，观察图片存放数据特色
from sklearn.datasets import load_sample_image 
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np

#读取图片
china = load_sample_image("china.jpg")
plt.imshow(china)
plt.show()
print(china.shape)#观察图片存放数据特色
china

#根据图片的分辨率，可适当下降分辨率
image = china[::3, ::3] 
X = image .reshape(-1,3)
plt.imshow(image)
plt.show()
print(image.shape,X.shape)

#再用k均值聚类算法，将图片中全部的颜色值作聚类。
n_colors =64 #(256,256,256)
model = KMeans(n_colors) 

#每一个点的颜色分类，0-63
labels = model.fit_predict(X)

 #64个聚类中心，颜色值
colors = model.cluster_centers_ 

 #用聚类中心的颜色代替原来的颜色值
new_image=colors[labels] 

#造成新的照片
new_image=new_image.reshape(image.shape) 
plt.imshow(new_image.astype(np.uint8))
plt.show()

#观察原始图片与新图片所占用内存的大小，将原始图片与新图片保存成文件，观察文件的大小。
import matplotlib.image as img
img.imsave('F:\\china.jpg',china)
img.imsave('F:\\china_zip.jpg',image)

运行结果

 

 

 

 

二.理解贝叶斯定理：

• M桶：7红3黄
• N桶：1红9黄
• 如今：拿出了一个红球
• 试问：这个红球是M、N桶拿出来的几率分别是多少？