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
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()
image = china[::3, ::3] #降低分辨率
X = image.reshape(-1,3)
print(china.shape,image.shape,X.shape)
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
new_image=colors[labels] #进行颜色填充
new_image=new_image.reshape(image.shape) #还原原来的数组
plt.imshow(image);
plt.show()
plt.imshow(new_image.astype(np.uint8))#转换为数据类型画图
plt.show()
#查看图片大小
import sys
print(sys.getsizeof(china)) #原图片
print(sys.getsizeof(new_image)) #新图片
import matplotlib.image as img
ge = img.imread('C:\\樱花.jpg')
plt.imshow(ge)
plt.show()
plt.imshow(ge[:,:,0])#改变图片色调,使图片失真
plt.show()
print(ge.shape)
ge
#将原始图片与新图片保存成文件,观察文件的大小
import matplotlib.image as img
img.imsave("c:\\ge.jpg",ge)
img.imsave("c:\\ges.jpg",ges)
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?