K-means算法应用：图片压缩

1. from sklearn.datasets import load_sample_image
   from sklearn.cluster import KMeans
   import matplotlib.pyplot as plt
   
   china = load_sample_image("china.jpg")
   plt.imshow(china)
   plt.show()
   china.shape
   

   　运行结果：                                                                                                                                  

2. import matplotlib.image as img
   cc = img.imread('C:\\Users\\HY\\Pictures\\cc.jpg')
   plt.imshow(cc)
   plt.show()
   

   　运行结果：                                                                                                                                     

3. plt.imshow(cc[:,:,0])  #提取第三列颜色
   plt.show
   

   　运行结果：                                                                                                                                                                                   

4. print(cc.shape)
   cc
   

   　运行结果：                                                                                                               

5. image = cc[::3, ::3]  #降低分辨率
   X = image.reshape(-1,3)
   
   import numpy as np
   print(cc.shape,image.shape,X.shape)  #输出分辨率
   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
   plt.imshow(image);
   plt.show()
   plt.imshow(image.astype(np.uint8))
   plt.show()
   

   　运行结果：                                                                                                                                               

6. import sys
   plt.imsave('C:\\Users\\HY\\Pictures\\image.jpg',image)  #保存图片
   plt.imsave('C:\\Users\\HY\\Pictures\\cc.jpg',cc)
   p1_size = sys.getsizeof('C:\\Users\\PC\\Desktop\\tp\\cc.jpg')  #压缩前后对比
   p2_size = sys.getsizeof('C:\\Users\\PC\\Desktop\\tp\\image.jpg')
   print('压缩前：'+str(p1_size),"\t压缩后："+str(p2_size))
   

   　运行结果： #保存在C:\Users\\HY\Pictures  路径下的cc,image图                                                                                                                                                                                   

   

7.  在M、N桶里分别抽出红球的概率运算结果如下图