K-means算法应用：图片压缩

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
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

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

fl = load_sample_image("flower.jpg")#原始图片
plt.imshow(fl)
plt.show()
print(fl.shape)

plt.imshow(fl[:,:,-2])   #改变图片色调,使图片失真
plt.show()

# mtaplotlib加载图片
import matplotlib.image as img
bsb = img.imread("E:software packageBabysbreath.jpeg")     #读入图片路径
plt.imshow(bsb)
plt.show()
print(bsb.shape)

bsbth = bsb[::3,::3]   #降低分辨率
plt.imshow(bsb)
plt.show()
n_colors =64 #(256,256,256)  
Z= bsbth.reshape(-2,6) 
model= KMeans(n_colors)
labels = model.fit_predict(Z)    #每个点的颜色分类，0-63
colors = model.cluster_centers_   #64个聚类中心，颜色值

print(bsb.shape,bsbth.shape,Z.shape)

#聚类
import numpy as np
n_colors= 64  #（256,256,256）
model= KMeans(n_colors)
labels = model.fit_predict(Z)    #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_bsbth = colors[labels]
# 还原成原来的维度并转换数据类型
new_bsbth = new_bsbth.reshape(bsbth.shape)
plt.imshow(new_bsbth.astype(np.uint8))
plt.show
plt.imshow(bsbth);
plt.show()

#保存图片
plt.imsave('C:\Users\E5-572\Desktop\bella\bsb.jpg',bsb)
plt.imsave('C:\Users\E5-572\Desktop\bella\bsbth.jpg',bsbth)


import sys
# 压缩前后对比
size1 = sys.getsizeof('C:\Users\E5-572\Desktop\bella\bsb.jpg')
size2 = sys.getsizeof('C:\Users\E5-572\Desktop\bella\bsbth.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？