### Python 实现图像量化和采样 #### 使用 OpenCV 进行图像下采样与上采样 对于图像的上下采样操作，可以利用 `cv2.resize` 函数来调整图像尺寸。此函数允许指定插值方法以控制缩放质量。 ```python import cv2 import numpy as np def resize_image(image, scale_percent=50): width = int(image.shape[1] * scale_percent / 100) height = int(image.shape[0] * scale_percent / 100) dim = (width, height) resized = cv2.resize(image, dim, interpolation=cv2.INTER_AREA) return resized ``` 上述代码展示了如何定义一个简单的函数用于改变输入图像的比例尺至原始大小的一半[^2]。 #### 对图像执行量化处理 为了减少颜色数量从而达到量化效果，可以通过 K-means 聚类算法实现色彩空间内的聚簇化： ```python from sklearn.cluster import KMeans def quantize_image(image, n_colors=64): # Convert to floats instead of the default 8 bits integer coding. image_float = np.float32(image.reshape(-1, 3)) kmeans = KMeans(n_clusters=n_colors).fit(image_float) labels = kmeans.predict(image_float) centers = kmeans.cluster_centers_ # Back into an uint8 array and reshape like original image shape result = centers[labels].reshape((image.shape)).astype(np.uint8) return result ``` 这段脚本实现了基于K均值聚类的颜色量化功能，其中参数 `n_colors` 控制最终保留的不同颜色数目。 #### 输出图片基本信息 当需要获取并打印加载后的图像基本属性时，可采用如下方式读取文件并将之转换成 NumPy 数组形式以便后续处理[^3]: ```python from skimage import io file_name = 'example.jpg' image = io.imread(file_name) print(f"Image dimensions: {image.shape}") ``` 通过以上几个部分组合起来就可以完成一次完整的图像预处理流程，包括但不限于尺寸调整（即采样）、颜色简化（即量化），以及初步了解待处理对象的具体情况。