K-means算法应用：图片压缩

from sklearn.datasets import load_sample_image
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import matplotlib.image as img
import sys

#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。
milu = img.imread("d:\milu.jpg")
plt.imshow(milu)
plt.show()

plt.imshow(milu[:,:,2])
print(milu.shape)
plt.show()

# 根据图片的分辨率，可适当降低分辨率
milus = milu[::3,::3]  #降低图片3倍分辨率
plt.imshow(milus)
plt.show()

# 再用k均值聚类算法，将图片中所有的颜色值做聚类。
import numpy as np
milu1 = np.reshape(milu,(-1,3)) #reshape()里面的数组形状第一个为-1，第二个为第二维元素的数目。
n_colors = 64
model = KMeans(n_colors)
labels = model.fit_predict(milu1)
colors = model.cluster_centers_

# 然后用聚类中心的颜色代替原来的颜色值。
new_milu = colors[labels]   #把每个点替换成相对应的类别值
# 还原到原来的维度并转换数据类型
new_milu = new_milu.reshape(imgs.shape) 
new_milu.astype(np.uint8)   #将浮点型数据转换为整型

plt.imshow(new_milu)
plt.show()

# 将原始图片与新图片保存成文件，观察文件的大小。
plt.imsave('D:\imgs\milu.jpg',milu)
plt.imsave('D:\imgs\new_milu.jpg',new_milu)
S1 = sys.getsizeof('D:\imgs\milu.jpg')   #对比文件大小
S2 = sys.getsizeof('D:\imgs\new_milu.jpg')
print('压缩前：'+str(S1),"压缩后："+str(S2))

 

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？