11.1作业

---

读取一张示例图片或自己准备的图片，观察图片存放数据特点。

根据图片的分辨率，可适当降低分辨率。

再用k均值聚类算法，将图片中所有的颜色值做聚类。

然后用聚类中心的颜色代替原来的颜色值。

形成新的图片。

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。

from sklearn.datasets import load_sample_image
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np

#load_sample_image包的示例图片加载
china = load_sample_image("china.jpg")
plt.imshow(china)
plt.show()
print(china.shape)

flower = load_sample_image("flower.jpg")
plt.imshow(flower)
plt.show()
print(flower.shape)

plt.imshow(flower[:,:,0])   #改变图片色调,使图片失真
plt.show()

 

# mtaplotlib加载图片
import matplotlib.image as img
lm = img.imread("C:\Users\PC\Desktop\tp\lm.jpg")     #读入图片路径
plt.imshow(lm)
plt.show()
print(lm.shape)

lms = lm[::3,::3]   #降低分辨率
plt.imshow(lm)
plt.show()
X = lms.reshape(-1,3)   # 重造数组n_colors= 64  #（256,256,256）
model= KMeans(n_colors)
labels = model.fit_predict(X)    #每个点的颜色分类，0-63
colors = model.cluster_centers_   #64个聚类中心，颜色值

print(lm.shape,lms.shape,X.shape)

#聚类
n_colors= 64  #（256,256,256）
model= KMeans(n_colors)
labels = model.fit_predict(X)    #每个点的颜色分类，0-63
colors = model.cluster_centers_   #64个聚类中心，颜色值
# 以colors作为主体，labels作为下标，每个元素都替换成相应类别对应的中心值
new_lms = colors[labels]
# 还原成原来的维度并转换数据类型
new_lms = new_lms.reshape(lms.shape)
plt.imshow(new_lms.astype(np.uint8))
plt.show
plt.imshow(lms);
plt.show()

#保存图片
plt.imsave('C:\Users\PC\Desktop\tp\lm.jpg',lm)
plt.imsave('C:\Users\PC\Desktop\tp\lms.jpg',lms)

import sys
# 压缩前后对比
size1 = sys.getsizeof('C:\Users\PC\Desktop\tp\lm.jpg')
size2 = sys.getsizeof('C:\Users\PC\Desktop\tp\lms.jpg')
print('压缩前：'+str(size1),"	压缩后："+str(size2))

理解贝叶斯定理：

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