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 numpy as np

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])  
plt.show()

 

1、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。

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

zj = img.imread('H:\\timg.jpg')
plt.imshow(zj)
plt.show()
zj

2、根据图片的分辨率，可适当降低分辨率。

image = zj[::3,::3]
X = image.reshape(-1,3)
print(zj.shape,image.shape,X.shape)
plt.imshow(zjs)
plt.show()
zjs

 

3、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。

 n_colors= 64  #（256,256,256）
model= KMeans(n_colors)
labels = model.fit_predict(X)   
colors = model.cluster_centers_  

new_zjs = colors[labels]

new_zjs = new_zjs.reshape(zjs.shape)
plt.imshow(new_zjs.astype(np.uint8))
plt.show
plt.imshow(zjs);
plt.show()

 

4、形成新的图片。

plt.imsave('‪H:\\timg.jpg',zj)
plt.imsave('‪H:\\timgs.jpg',zjs)

 

5、观察原始图片与新图片所占用内存的大小。

import sys

6、将原始图片与新图片保存成文件，观察文件的大小。

size1 = sys.getsizeof('‪H:\\timg.jpg')
size2 = sys.getsizeof('‪H:\\timgs.jpg')
print('压缩前：'+str(size1),"\t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？

把计算过程与结果拍照发上来。