查看: 2197|回复: 0

图像压缩（主成分分析）

字体大小: 正常放大

1186 主题	4 听众	2923 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& e) q9 N7 o0 k# U% x- u+ q( R
from sklearn.decomposition import PCA, m3 W& f9 ?0 @! l; P- O$ Q- B\" T
import matplotlib.pyplot as plt9 q! c% C U' w2 z+ a
from PIL import Image3 B# @8 N0 W4 [
& w/ e8 Q& ^8 I4 K. [. W
# 加载图片并转换为灰度图
2 z6 M* {& b* `4 B, S\" f+ O
image_path = 'path_to_your_image.jpg'
\" X7 K$ ]! N# a7 [
image = Image.open(image_path).convert('L')3 p5 Y# M6 ?6 }! Q: X6 I# g* M
image_array = np.array(image)
# C4 W' N9 O. }
8 p. d# ?5 Q* Q3 x2 a/ s6 z
# 展平图像数组9 \2 c: X, T* h
h, w = image_array.shape* J0 _3 U& M8 f& L% W- k
image_flattened = image_array.flatten().reshape(1, h * w)0 ` Z6 ^: r9 ]3 q
& G, I5 p4 w' Y9 h\" w q4 v7 I, R
# 应用PCA$ B# @ t- X! i, r! ~
n_components = 100 # 选择保留的主成分数量
4 t6 t- l5 a$ F: r3 k5 V' d) Q: N& L
pca = PCA(n_components=n_components)
9 A8 L$ Z4 m7 b' r! ^! @4 z
image_compressed = pca.fit_transform(image_flattened)
' u( B; j\" j& z- U* @% \
$ I1 m2 I: _' V% {1 R
# 重构图像' m' [6 w. P/ m5 I\" k: ?/ |& K: K
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)$ V) o6 s, I. Z% }& ^
7 H' W# B$ c6 o9 f
# 显示原始和重构的图像
; X- S* l6 @8 V/ s0 `' J( a
plt.figure(figsize=(10, 5))8 O$ } G, a, O# r/ d: W
plt.subplot(1, 2, 1)9 F6 c6 }7 J p( q+ K- H
plt.imshow(image_array, cmap='gray')
) Z9 j6 b+ b5 J6 [% I; ]
plt.title('Original Image')
\" S0 x. K% v: f; Z
plt.subplot(1, 2, 2)
* k8 Q8 d/ b% W% ~5 K1 s2 m
plt.imshow(image_reconstructed, cmap='gray')
1 B; k3 w; j5 ?; r\" a
plt.title('Reconstructed Image')
\" ]6 i- G+ h ~
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