from sklearn.datasets import load_sample_image

from sklearn.cluster import KMeans

import matplotlib.pyplot as plt

import matplotlib.image as img

import sys

#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。

milu = img.imread("d:\\milu.jpg")

plt.imshow(milu)

plt.show()

plt.imshow(milu[:,:,2])

print(milu.shape)

plt.show()

# 根据图片的分辨率，可适当降低分辨率

milus = milu[::3,::3] #降低图片3倍分辨率

plt.imshow(milus)

plt.show()

# 再用k均值聚类算法，将图片中所有的颜色值做聚类。

import numpy as np

milu1 = np.reshape(milu,(-1,3)) #reshape()里面的数组形状第一个为-1，第二个为第二维元素的数目。

n_colors = 64

model = KMeans(n_colors)

labels = model.fit_predict(milu1)

colors = model.cluster_centers_

# 然后用聚类中心的颜色代替原来的颜色值。

new_milu = colors[labels] #把每个点替换成相对应的类别值

# 还原到原来的维度并转换数据类型

new_milu = new_milu.reshape(imgs.shape)

new_milu.astype(np.uint8) #将浮点型数据转换为整型

plt.imshow(new_milu)

plt.show()

# 将原始图片与新图片保存成文件，观察文件的大小。

plt.imsave('D:\\imgs\\milu.jpg',milu)

plt.imsave('D:\\imgs\\new_milu.jpg',new_milu)

S1 = sys.getsizeof('D:\\imgs\\milu.jpg') #对比文件大小

S2 = sys.getsizeof('D:\\imgs\\new_milu.jpg')

print('压缩前：'+str(S1),"压缩后："+str(S2))