图片怎么压缩大小200k

Posted 2023-05-16

具体操作如下。
1.打开嗨格式压缩大师，点击“图片压缩”功能；
2.进入后上传照片并选择压缩模式，可以自定义压缩参数；
3.最后点击“开始压缩”按钮即可完成照片压缩。
图片压缩是数据压缩技术在数字图像上的应用,它的目的是减少图像数据中的冗余信息从而用更加高效的格式存储和传输数据。图像数据之所以能被压缩,就是因为数据中存在着冗余。 参考技术A

照片压缩到200k的方法如下：

工具／原料：华为畅享10Plus、鸿蒙2.0.0、微信8.0.24

1、打开微信，在搜索框搜索“照片大小修改”小程序，如下图所示。

2、进入小程序后，点击【压缩体积】，如下图所示。

3、在弹出来的菜单栏中，选择从【相册】导入照片，如下图所示。

4、在压缩出来的照片，点击【保存】即可。

机器学习之K均值算法应用

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

 

# -*- coding:utf-8 -*-
# 开发时间：2020/4/1815:59
# 文件名称：K均值算法应用压缩照片.py
from sklearn.datasets import load_sample_image
from sklearn.cluster import KMeans
import  matplotlib.pyplot as plt
import matplotlib.image as img
import sys
import numpy as np

plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘] #中文显示
china = load_sample_image("china.jpg")
img.imsave(‘E://china.jpg‘,china)#存储图片在E盘
print("原图片文件大小：",china.size)#文件大小
print("原图片占内存大小：",sys.getsizeof(china))#内存空间大小
print("原图片的数据结构：",china.shape)#图片数据结构
plt.title("原图片")
plt.imshow(china)
plt.show()
image = china[::3, ::3]
print("我不是药神")
x=image.reshape(-1,3)#线性化
print("线性化结构变化前",china.shape)
print("线性化结构变化后",x.shape)

n_colors=64#将数据分为64个聚类中心
model=KMeans(n_colors)
labels = model.fit_predict(x)   # 每个像素的颜色类别
colors = model.cluster_centers_  # 每个类别的颜色
new_img=colors[labels].reshape(image.shape)
new_image = new_img.astype(np.uint8)#转换为整型
print("压缩后文件大小：",new_image.size)
print("压缩后占内存大小：",sys.getsizeof(new_image))
plt.title("压缩图片")
plt.imshow(new_image)
plt.show()
img.imsave(‘E://china2.jpg‘,new_image)#存储图片在E盘

 

原图文件大小，所占内存，数据结构如下图：

 

 

 

原图如下：

压缩图后的文件大小和所占内存如下图：

 

 

 压缩后的图如下：

 

 

图片存储如下图：

 

 

 

 

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。

 

 利用K均值算法将软考测试成绩（包括签到，答题等）的同学进行分类

# -*- coding:utf-8 -*-
# 开发时间：2020/4/1823:17
# 文件名称：分数分类.py

import pandas as pd
import  numpy as np
from sklearn.cluster import  KMeans

path = r‘.	est.xls‘
df =pd.read_excel(path)#读取文件
df
score =np.array(df.iloc[:,3:5].fillna(value=0).astype(int))#将空值填充0，转换为整型
ests = KMeans(n_clusters=4)#分成4类优良中差
ests.fit(score)#训练模型
y_kmeanss= ests.predict(score)#预测

g0 =np.array(df[y_kmeanss==0][‘name‘])
print("第一类：",end="  ")
for list in g0:
    print(list,end="  ")
print("")
print("第二类：",end="  ")
g1 =np.array(df[y_kmeanss==1][‘name‘])
for list in g1:
    print(list,end="  ")
print("")
print("第三类：",end="  ")
g2 =np.array(df[y_kmeanss==2][‘name‘])
for list in g2:
    print(list,end="  ")
print("")
print("第四类：",end="  ")
g3 =np.array(df[y_kmeanss==3][‘name‘])
for list in g3:
    print(list,end="  ")

 

结果如下图：