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_imagefrom sklearn.cluster import KMeansimport matplotlib.pyplot as pltimport numpy as np#load_sample_image包的示例图片加载china = load_sample_image("china.jpg")plt.imshow(china)plt.show()print(china.shape)flower = load_sample_image("flower.jpg")plt.imshow(flower)plt.show()print(flower.shape)plt.imshow(flower[:,:,0]) #改变图片色调,使图片失真plt.show() 
# mtaplotlib加载图片import matplotlib.image as imglm = img.imread("C:\\Users\\PC\\Desktop\\tp\\lm.jpg") #读入图片路径plt.imshow(lm)plt.show()print(lm.shape)lms = lm[::3,::3] #降低分辨率plt.imshow(lm)plt.show()X = lms.reshape(-1,3) # 重造数组n_colors= 64 #（256,256,256）model= KMeans(n_colors)labels = model.fit_predict(X) #每个点的颜色分类，0-63colors = model.cluster_centers_ #64个聚类中心，颜色值print(lm.shape,lms.shape,X.shape) 
#聚类n_colors= 64 #（256,256,256）model= KMeans(n_colors)labels = model.fit_predict(X) #每个点的颜色分类，0-63colors = model.cluster_centers_ #64个聚类中心，颜色值# 以colors作为主体，labels作为下标，每个元素都替换成相应类别对应的中心值new_lms = colors[labels]# 还原成原来的维度并转换数据类型new_lms = new_lms.reshape(lms.shape)plt.imshow(new_lms.astype(np.uint8))plt.showplt.imshow(lms);plt.show()
#保存图片plt.imsave('C:\\Users\\PC\\Desktop\\tp\\lm.jpg',lm)plt.imsave('C:\\Users\\PC\\Desktop\\tp\\lms.jpg',lms)import sys# 压缩前后对比size1 = sys.getsizeof('C:\\Users\\PC\\Desktop\\tp\\lm.jpg')size2 = sys.getsizeof('C:\\Users\\PC\\Desktop\\tp\\lms.jpg')print('压缩前：'+str(size1),"\t压缩后："+str(size2)) 
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？
