一.讀取一張示例圖片或自己準備的圖片，觀察圖片存放資料特點。

根據圖片的解析度，可適當降低解析度。

再用k均值聚類演算法，將圖片中所有的顏色值做聚類。

然後用聚類中心的顏色代替原來的顏色值。

形成新的圖片。

觀察原始圖片與新圖片所佔用記憶體的大小。

將原始圖片與新圖片儲存成檔案，觀察檔案的大小。

#讀取一張示例圖片或自己準備的圖片，觀察圖片存放資料特點
from sklearn.datasets import load_sample_image 
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
 
import numpy as np

#讀取圖片
china = load_sample_image("china.jpg")
plt.imshow(china)
plt.show()
print(china.shape)#觀察圖片存放資料特點
china

#根據圖片的解析度，可適當降低解析度
image = china[::3, ::3] 
X = image .reshape(-1,3)
plt.imshow(image)
plt.show()
print(image.shape,X.shape)

#再用k均值聚類演算法，將圖片中所有的顏色值做聚類。
n_colors =64 #(256,256,256)
 

model = KMeans(n_colors) 

#每個點的顏色分類，0-63
labels = model.fit_predict(X)

 #64個聚類中心，顏色值
colors = model.cluster_centers_ 

 #用聚類中心的顏色代替原來的顏色值
new_image=colors[labels] 

#形成新的照片
new_image=new_image.reshape(image.shape) 
plt.imshow(new_image.astype(np.uint8))
plt.show()

#觀察原始圖片與新圖片所佔用記憶體的大小，將原始圖片與新圖片儲存成檔案，觀察檔案的大小。
 

import matplotlib.image as img
img.imsave('F:\\china.jpg',china)
img.imsave('F:\\china_zip.jpg',image)

執行結果

二.理解貝葉斯定理：

• M桶：7紅3黃
• N桶：1紅9黃
• 現在：拿出了一個紅球
• 試問：這個紅球是M、N桶拿出來的概率分別是多少？