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。
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。
from sklearn.datasets import load_sample_image import matplotlib.pyplot as plt from sklearn.cluster import KMeans import numpy as np flower=load_sample_image('flower.jpg')#原始图片 plt.imshow(flower) plt.show() image=flower[::3,::3]#降低原始图片的分辨率 plt.imshow(image) plt.show() #利用Kmeans对图片进行压缩 x=image.reshape(-1,3)#改变数组的形状 n_colors=64 model=KMeans(n_colors) labels=model.fit_predict(x) colors=model.cluster_centers_ new_image=colors[labels] new_image=new_image.reshape(image.shape) plt.imshow(new_image.astype(np.uint8)) plt.show()
观察原始图片与新图片所占用内存的大小。
#观察原始图片和新图片的内存大小
import sys
print(sys.getsizeof(flower))
print(sys.getsizeof(new_image))
将原始图片与新图片保存成文件，观察文件的大小。
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？
