查看: 2452|回复: 0

图像压缩（主成分分析）

字体大小: 正常放大

1198 主题	4 听众	2978 积分

该用户从未签到

电梯直达

1^#

发表于 2024-3-31 16:40 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

数据集：任意选择一组图片。
任务：使用PCA对图片进行压缩和重构。
挑战：分析压缩比例与图像质量之间的关系，并尝试使用其他降维技术。
使用PCA进行图像压缩和重构
假设你已经安装了必要的Python库，如numpy, matplotlib, 和scikit-learn。如果没有，你可以通过pip安装它们。

以下是使用PCA对单张图片进行压缩和重构的步骤：

加载图片：首先，我们需要加载一张图片并将其转换为合适的格式。

应用PCA：然后，我们将应用PCA来降低图片的维度，实现压缩。

重构图片：最后，我们将使用PCA的逆变换来重构图片，尽量恢复原始图片。

import numpy as np
. M2 M8 x8 t+ {; J
from sklearn.decomposition import PCA
3 n% k6 U3 a5 i9 s
import matplotlib.pyplot as plt
3 {$ ?0 \9 Y, V9 A4 ~
from PIL import Image
) D/ u' V0 N. [: j ^/ A
# C5 W2 T7 h1 k# M
# 加载图片并转换为灰度图# Y8 A5 T9 r$ D K9 g$ ]$ Z `+ q
image_path = 'path_to_your_image.jpg'% u- x. F5 m\" S4 o; k
image = Image.open(image_path).convert('L')
]5 a# ~6 B/ M' t4 Q$ o! X4 y
image_array = np.array(image)
, v7 V/ }' z9 M2 I\" g$ G9 v {
; Y# D& R\" \- U, ], H
# 展平图像数组) G9 V! `+ |8 l0 k+ ]+ f- n
h, w = image_array.shape; O+ ~$ b' u, e9 E& D6 A
image_flattened = image_array.flatten().reshape(1, h * w)
, w# s9 }\" W+ \. t: w& a+ I) i$ z
& c7 v# O3 j {0 X. ~1 v
# 应用PCA
( s( e; J\" R' B! }) r; Y$ Z0 ^+ d5 }
n_components = 100 # 选择保留的主成分数量! a$ Q) V. p6 N& F+ e: @5 j
pca = PCA(n_components=n_components)
4 f8 V+ K( w8 H% D% e
image_compressed = pca.fit_transform(image_flattened)4 E\" n- {6 z8 A1 d2 G1 a5 {
) i* d8 B1 Q6 `
# 重构图像
2 m+ \+ I3 E$ L; `/ I
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
. h. `, Q9 A4 |
6 Y ~/ H6 K+ y# i& X+ X# \
# 显示原始和重构的图像3 n6 W4 z% Z0 _& T
plt.figure(figsize=(10, 5))4 B4 M! G9 K& y9 x8 C! n+ o/ e# k
plt.subplot(1, 2, 1)8 i) z5 Q3 J3 o8 D& v
plt.imshow(image_array, cmap='gray')
7 f5 x$ Q; ]& q$ S% U) e( E0 I% p
plt.title('Original Image')8 a- p* b& B y2 ^, Q1 M. ~) V
plt.subplot(1, 2, 2)
& C# ?/ ^2 ^. c, H
plt.imshow(image_reconstructed, cmap='gray')* U$ _* G R$ ^- B3 Z1 O3 F+ u+ b0 H
plt.title('Reconstructed Image')
$ G2 w5 v. i5 _\" m! @
plt.show()

复制代码

分析压缩比例与图像质量之间的关系
压缩比例与图像质量之间的关系可以通过改变n_components（PCA中保留的主成分数量）来探索。减少n_components会增加压缩比例，但可能会降低重构图像的质量。通过观察不同n_components值对应的重构图像，可以分析这种权衡关系。

尝试其他降维技术
除了PCA之外，还有其他降维技术可以用于图像压缩，例如：

随机投影（sklearn.random_projection）
非负矩阵分解（NMF，sklearn.decomposition.NMF）
这些方法也可以用类似的方式应用于图像压缩，通过比较不同方法的效果，你可以深入理解各种降维技术在图像压缩任务中的表现和适用性。

zan