查看: 2244|回复: 0

图像压缩（主成分分析）

字体大小: 正常放大

1189 主题	4 听众	2934 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! h& _9 d1 o9 U& T& f! E
from sklearn.decomposition import PCA
( V, z- h2 P2 |/ J
import matplotlib.pyplot as plt4 P# H( z; i' p. d9 Q, ]
from PIL import Image: ?5 L2 m! t0 M5 E6 p6 ^: j- N
+ B* ^5 v: W3 m7 |4 V
# 加载图片并转换为灰度图- D8 U' A$ {3 g2 V1 c8 Y. { k
image_path = 'path_to_your_image.jpg'
5 g& @; x; T8 V$ I2 n
image = Image.open(image_path).convert('L')
2 d1 } J3 B; c& p\" t
image_array = np.array(image)
; u, C\" w( T% y; N2 S
- c8 r, j. Z \2 G
# 展平图像数组\" } l/ M& D3 m' _' R
h, w = image_array.shape\" w0 T+ Q1 ~6 x I5 f& h& T
image_flattened = image_array.flatten().reshape(1, h * w)
4 K6 A, G: N3 k5 B- q: ?# @
( f8 W5 K$ u! y0 E/ @
# 应用PCA) t& P/ [4 U; V
n_components = 100 # 选择保留的主成分数量
; T4 g: B1 U) L1 _, F
pca = PCA(n_components=n_components), g; H# H! W5 N/ g
image_compressed = pca.fit_transform(image_flattened); ~* Z( B7 A* E G* F
( ?! y' s1 {) R9 H
# 重构图像
- ~5 h2 y% y\" F* m6 Q# Z( ]; q
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)3 C3 r* B* b3 s4 O; s
7 X$ U4 D5 G5 a5 A% \# O7 {9 U
# 显示原始和重构的图像
, w( c* [, D! g+ L& K' m# S
plt.figure(figsize=(10, 5))
& K: @* H9 ]1 {# r) w* C4 u3 Q b
plt.subplot(1, 2, 1)0 P7 R+ N; \* a0 p: z0 u
plt.imshow(image_array, cmap='gray')* w- t5 V3 t. |3 R* t
plt.title('Original Image')
% G) y* c4 u1 q7 f4 Z
plt.subplot(1, 2, 2)1 Y& L! w7 ?. ]9 J- D7 X
plt.imshow(image_reconstructed, cmap='gray')
( M& L\" r# Z+ w0 g
plt.title('Reconstructed Image') ]) \+ }2 Y) |: 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