Kvatizacija boja se u svakodnevnoj upotrebi koristi i prilikom posterizacije fotografije, a također postoji i ugrađena podrška za kvantizaciju boja u mnogim rasterskim programima za obradu fotografije. U uvodnom dijelu smo se dotaknuli povijesti fotografije. Od daleke povijesti kada se fotografije nisu ni mogle trajno sačuvati, pa sve do danas, u digitalnom dobu kada dnevno nastane gotovo dvije milijarde fotografija dnevno. Danas nema što se sa fotografijom ne može izvesti. Oblikovanje fotografije dolazi u raznim oblicima i načinima. Iako su razvijeni mnogi softveri kako bi oblikovanje fotografije bilo što jednostavnije i pristupačnije, postoje i načini za oblikovanje fotografije koje koriste programeri korištenjem programskih jezika, a mi smo se u ovom završnom radu koristili popularnim Pythonom. Prije nego što smo objasnili primjer sa scikit-learn stranice, napisali smo jedan jednostavni kod koji iako ne koristi scikit-learn biblioteku, na dobar, iako nešto jednostavniji način je objasnila kako radi kvatizacija boja upotrebom k-means metode. Objasnili smo osnovnu NumPy biblioteku te jednu vrlo zanimljivu OpenCV biblioteku koja je omogućila baratanje fotografijama. Taj jednostavniji kod smo objasnili na jednoj fotografiji te smo ga isprobali na više primjera, od kojih je svatko imao različit broj klastera u k-means metodi. Detaljno smo objasnili primjer sa scikit-learn stranice, ponovno smo objasnili sve biblioteke koje je bilo potrebno instalirati kako bi program funcionirao. Iako su sve te biblioteke važne, sigurno da je bilo najvažnije instalirati tu samu scikit-learn biblioteku koja je zapravo i smisao cijelog ovog završnog rada. Testirali smo primjer korištenjem Anaconde i Jupyter Notebooka, ponovno smo izložili nekoliko primjera u kojima je korišten različit broj klastera.