1. 应用K-means算法进行图片压缩
读取一张图片：
观察图片文件大小，占内存大小，图片数据结构：
线性化，用kmeans对图片像素颜色进行聚类
获取每个像素的颜色类别，每个类别的颜色
压缩图片生成：以聚类中收替代原像素颜色，还原为二维
观察压缩图片的文件大小，占内存大小
三图片展示：
本地图片属性对比：
完整源码如下：
from sklearn.cluster import KMeans import matplotlib.pyplot as plt import matplotlib.image as img import numpy as np import sys saber = img.imread('C://Users/无语/saber.jpg') #导入图片 plt.imshow(saber) plt.show() print('原图片大小：',saber.size) print('原图片内存大小：',sys.getsizeof(saber)) print('原图片维度：',saber.shape) print('原图片数据结构： ',saber) # 颜色聚类 X = saber.reshape(-1,3) # 图片线性化，保留颜色顺序 n_color = 64 model = KMeans(n_color) # 构建模型，将所有颜色聚类成64种 labels = model.fit_predict(X) # 训练模型并进行预测 colors = model.cluster_centers_ # 聚类中心 new_saber = colors[labels].reshape(saber.shape) # 还原具体颜色 plt.imshow(new_saber.astype(np.uint8)) plt.show() # 按比例压缩图片 print('颜色聚类后图片大小：',new_saber.size) print('颜色聚类后图片内存大小：',sys.getsizeof(new_saber)) print('压缩后图片大小：',new_saber[::6,::6].size) print('压缩后图片内存大小：',sys.getsizeof(new_saber[::6,::6])) print('压缩后图片维度：',new_saber[::6,::6].shape) print('压缩后图片数据结构： ',new_saber[::6,::6]) img.imsave('C://Users/无语/new_saber.jpg',new_saber[::6,::6].astype(np.uint8)) # 保存压缩后图片 # 展示3张图片 plt.rcParams['font.sans-serif']=['SimHei'] plt.title('原图') plt.imshow(saber) plt.show() plt.title('颜色聚类64种') plt.imshow(new_saber.astype(np.uint8)) plt.show() plt.title('降低分辨率') plt.imshow(new_saber[::6,::6].astype(np.uint8)) plt.show()
2. 观察学习与生活中可以用K均值解决的问题。
从数据-模型训练-测试-预测完整地完成一个应用案例。
这个案例会作为课程成果之一，单独进行评分。