- 在线时间
- 480 小时
- 最后登录
- 2026-6-1
- 注册时间
- 2023-7-11
- 听众数
- 4
- 收听数
- 0
- 能力
- 0 分
- 体力
- 7823 点
- 威望
- 0 点
- 阅读权限
- 255
- 积分
- 2934
- 相册
- 0
- 日志
- 0
- 记录
- 0
- 帖子
- 1174
- 主题
- 1189
- 精华
- 0
- 分享
- 0
- 好友
- 1
该用户从未签到
 |
数据集:任意选择一组图片。
1 U. T2 V, Z& f3 a3 s0 `8 m任务:使用PCA对图片进行压缩和重构。7 H ^ k A8 Y: C# G, @6 @
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。2 I6 L, o0 s5 ]
使用PCA进行图像压缩和重构
5 r' }7 g: ^2 }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。5 m' \# m3 k3 c- O) n5 D A
: s& M+ M5 `' l# S+ |! q- d
以下是使用PCA对单张图片进行压缩和重构的步骤:
4 G% ?' i p% r6 H9 a# s& u. Q6 }' ?9 ~7 X
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。4 t4 ~" c$ f4 @# g$ }8 v
1 S% x3 f1 K" Q$ A应用PCA:然后,我们将应用PCA来降低图片的维度,实现压缩。* y5 {/ ^! { P, p
! m" o4 o* D1 v% H; Q. J
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* g9 w/ {1 z9 N) Z
- from sklearn.decomposition import PCA
( f6 v* _- e/ Y; @' t+ `) z. i4 a. L - import matplotlib.pyplot as plt
) Q! h( o, b3 l( J - from PIL import Image
' V2 x: \9 ]6 k) Q3 @. v - \" U7 Q& z: a2 U* o
- # 加载图片并转换为灰度图+ D9 b5 ?* B, W# H$ M4 y
- image_path = 'path_to_your_image.jpg'3 Z: c* W\" u6 P3 A
- image = Image.open(image_path).convert('L')
8 ^# [0 ~( G9 m4 h0 [* ~( S - image_array = np.array(image)0 g) u! F9 U) e2 h
-
\/ v1 U- r4 f! d. w - # 展平图像数组
6 u* T) A3 Q: v) H5 w9 t5 E$ q - h, w = image_array.shape4 K9 r' a3 Q$ p5 [
- image_flattened = image_array.flatten().reshape(1, h * w)- ~0 [2 F0 |2 v0 X0 j
-
7 A; L: Q0 A1 a' P6 g: o3 m0 i - # 应用PCA
/ Z, ~& b9 N1 v* c( @ - n_components = 100 # 选择保留的主成分数量
% ~3 C: [- {7 ~* A7 x - pca = PCA(n_components=n_components)
6 s5 v* u* ~; b# f R& x - image_compressed = pca.fit_transform(image_flattened)
! M) s/ X, g% b7 r' ^, i - 4 g( Q/ b$ v. H( K
- # 重构图像
# h8 `* P; g( R\" {\" A& c. n - image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)9 p i4 x( }5 i) l
-
+ \. P$ i% r# u+ @( a - # 显示原始和重构的图像
, Z; I0 J\" @7 u. ^$ ^/ x* { - plt.figure(figsize=(10, 5))) D* m2 v- G8 J2 U' v, @
- plt.subplot(1, 2, 1)
) I& `\" }1 O, e - plt.imshow(image_array, cmap='gray')6 J( I/ z z! {# p2 Q( V
- plt.title('Original Image')
# @, u( Q+ e6 n5 x% V - plt.subplot(1, 2, 2)
V0 a0 Q3 a- \! M6 i4 L9 n4 I - plt.imshow(image_reconstructed, cmap='gray'): x% `7 n2 E9 a. D1 c+ F5 K7 U
- plt.title('Reconstructed Image')
9 k c5 T( j/ {. _ - plt.show()
复制代码 分析压缩比例与图像质量之间的关系
' m1 p* L. d' K( n1 W8 a: z& Q0 z% t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。
( Z/ Y1 i5 |% j& F2 {; F; y1 W; d% Z7 A
' g* ^) e0 T* O6 d( N' O& n尝试其他降维技术* e9 D8 X0 _/ ^( {
除了PCA之外,还有其他降维技术可以用于图像压缩,例如:
+ f3 \- F* d/ I4 a9 l
! c: \* D6 P7 b3 ~6 }2 W随机投影(sklearn.random_projection)+ a6 H# V+ ^' x0 `% t' n7 K
非负矩阵分解(NMF,sklearn.decomposition.NMF)8 B) ]. ^6 A1 G2 Q: T0 J4 B
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。
L. U; d9 L* l% [/ x
/ I8 D) z! o. y$ A6 B( ~& X: i' } E# s
) u2 p2 H6 i& J* F/ ^- B3 \9 x9 _ |
zan
|