4.K值算法应用

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

 

from  sklearn.datasets  import  load_sample_image
import  matplotlib.pyplot as plt
from  sklearn.cluster  import  KMeans
from  pylab  import  mpl
import  sys
import  numpy as np
import  matplotlib.image as img
# 指定字体，解决plot不能显示中文的问题
mpl.rcParams[ 'font.sans-serif' ]  =  [ 'SimHei' ]
china  =  load_sample_image( "china.jpg" )   # 读取一张图片
plt.imshow(china)
plt.title( "原图片" )
plt.show()   # 显示图片
img.imsave( 'D://img//china.jpg' , china)
print ( "图片占内存大小" , sys.getsizeof(china))
print ( "图片数据结构" , china.shape)
image  =  china[:: 3 , :: 3 ]
print ( "降低分辨率后图片的数据结构" , image.shape)
x  =  image.reshape( - 1 ,  3 )     # 线性化
print ( "线性化后的数据结构" , x.shape)
# 用kmeans对图片像素颜色进行聚类
n_colors  =  64   # (255，255，255)
model  =  KMeans(n_colors)   # 64类聚类中心
labels  =  model.fit_predict(x)    # 每个像素的颜色类别
print ( "每个像素的颜色类别的数据结构" , labels.shape)
colors  =  model.cluster_centers_   # 每个类别的颜色
print ( "每个类别的颜色的数据结构" , colors.shape)
new_image  =  colors[labels]   # 以聚类中收替代原像素颜色
new_image  =  new_image.reshape(image.shape)   # ,还原为二维数组
print ( "压缩图片占内存大小" , sys.getsizeof(new_image))    # 压缩图片占内存大小
new_image  =  new_image.astype(np.uint8)
plt.imshow(new_image)
plt.title( "压缩后的图片" )
plt.show()   # 显示图片
img.imsave( 'D://img//new_china.jpg' , new_image)    # 保存图片，查看压缩图片的文件大小

　　

 

 

 

 

 

 

 

 

 

 

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。

from sklearn.cluster import KMeans #导入kmeans算法
airline_scale = np.load('../tmp/airline_scale.npz')['arr_0']
k = 5 ## 确定聚类中心数
#构建模型
kmeans_model = KMeans(n_clusters = k,n_jobs=4,random_state=123)
fit_kmeans = kmeans_model.fit(airline_scale)   #模型训练
kmeans_model.cluster_centers_ #查看聚类中心

kmeans_model.labels_ #查看样本的类别标签

#统计不同类别样本的数目
r1 = pd.Series(kmeans_model.labels_).value_counts()
print('最终每个类别的数目为：\n',r1)