K-means算法应用：图片压缩

K-means算法应用：图片压缩

1、读取一张示例图片和自己准备的图片，观察图片存放数据特点，并根据图片的分辨率，可适当降低分辨率。

#读取图片
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()
print(china.shape)


#图片的数据格式
print(china.dtype)
print(china.shape)
print(china)

结果：

#自己准备的图片
import matplotlib.image as img
S=img.imread('f:\\123.png')
plt.imshow(S)
plt.show()

#123t图片的数据特点
print (S.shape)
S

结果：

#降低图片的分辨率
SS=S[::3,::3]
plt.imshow(SS)
plt.show(）

结果：

2、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。

#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
china=load_sample_image("china.jpg")
plt.imshow(china)
plt.show()

image=china[::3,::3]
A=image.reshape(-1,3)
print(china.shape,image.shape,A.shape)

n_colors=64
model=KMeans(n_colors)
labels=model.fit_predict(A)
colors=model.cluster_centers_

结果：

#还原颜色，维数，数据类型
new_image=colors[labels]
new_image=new_image.reshape(image.shape)
new_image

plt.imshow(image)
plt.show()
plt.imshow(new_image.astype(np.uint8))
plt.show()

结果:

print(A.shape)
print(labels.shape,labels)
print(colors.shape,colors)

结果：

3、观察原始图片与新图片所占用内存的大小。

import sys
print(sys.getsizeof(china))
print(sys.getsizeof(new_image))

结果：

 

4、将原始图片与新图片保存成文件，观察文件的大小。

 

5、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？

计算过程，如下图所示：