1. 用K-means算做圖片壓縮

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。

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import matplotlib.image as img
import numpy as np
import sys

 
def cut_photo(duolajiang):
    '''每三個點分割圖片,降低畫素'''
    duola = duolajiang[::3, ::3]
    return duola

def km_cut(duola,n = 64):
    '''用kmeans劃分陣列'''
    X = duola.reshape(-1, 3)  # 降低解析度並改變陣列結構
    km = KMeans(n_clusters=100)
    km_china = km.fit_predict(X)
    colors = km.cluster_centers_
    new_image 
 
= colors[km_china]
    new_image = new_image.reshape(duola.shape)
    return new_image

def plot_photo(X,sub,title):
    '''畫圖的函式,X是資料集,sub是影象在子圖的位置,title是標題'''
    plt.figure(1)
    plt.subplot(sub)
    plt.imshow(X)
    plt.title(title)

if __name__ == '__main__':
    duolajiang = img.imread('duolajiang.jpg
 
')
    plot_photo(duolajiang,sub = 221,title = '原圖')#畫第一張圖片
    duola = cut_photo(duolajiang)#呼叫降低解析度
    plot_photo(duola,sub = 222,title = '[:,:,3]解析度降低的圖')#畫第二張圖片
    new_image = km_cut(duola,100)#kmeans壓縮圖片
    plot_photo(new_image.astype(np.uint8),sub = 223,title = 'kmeans聚類的圖')#畫第三張圖片

    '''解決中文亂碼'''
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用來正常顯示中文標籤
    plt.rcParams['axes.unicode_minus'] = False  # 用來正常顯示負號
    plt.show()

    '''sys打印出圖片大小'''
    print('原圖大小是:',sys.getsizeof(duolajiang))
    print('[:,:,3]解析度降低的圖大小是:',sys.getsizeof(duola))
    print('kmeans聚類的圖大小是:',sys.getsizeof(new_image))

    '''儲存圖片,到d盤'''
    img.imsave('d://duolajiang.jpg',duolajiang)
    img.imsave('d://duola.jpg', duola)
    img.imsave('d://new_image.jpg', new_image.astype(np.uint8))

'''2. 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？'''

pm_b = (7/(7+3)*1/2)/(7+1)/20
pn_b = (1/(1+9)*1/2)/(7+1)/20
print('m桶的概率為:',pm_b,'\nn桶的概率為:',pn_b)