查看: 1736|回复: 0

图像压缩（主成分分析）

字体大小: 正常放大

1176 主题	4 听众	2884 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
N+ n8 \6 L0 t0 c
from sklearn.decomposition import PCA# V7 |; g. E6 C4 c\" H5 v
import matplotlib.pyplot as plt
0 m1 `) [. n\" Y7 J$ p! A
from PIL import Image6 C9 r2 N5 Y, Y2 j5 O' `- D5 m: X
1 N/ _$ z9 [1 j: ?: r; ^
# 加载图片并转换为灰度图# c# w& U2 N& r5 x' p
image_path = 'path_to_your_image.jpg'2 k8 N, z# M7 N2 P
image = Image.open(image_path).convert('L')! G# h* C, {# T% G+ |
image_array = np.array(image)
& X& M h4 p, e1 T
' s0 R2 {5 i5 ?$ s( F$ I
# 展平图像数组# D( y- E, O* g2 Z, K6 \
h, w = image_array.shape\" z. V6 [ h2 V* H1 ^5 k3 U3 A; f$ y
image_flattened = image_array.flatten().reshape(1, h * w)
# y3 ^\" L8 A4 N/ H- J
# 应用PCA
* e* K9 q2 K5 b/ v2 g8 i: L3 ?\" s
n_components = 100 # 选择保留的主成分数量 l5 V$ R1 |) `& T
pca = PCA(n_components=n_components)\" {( [' x+ o0 @& T0 {6 Y
image_compressed = pca.fit_transform(image_flattened)% o. G1 l, F3 L\" j
$ _; H, d. g- q, e
# 重构图像
+ w }+ @/ F0 M. r
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
5 }+ Q3 a: W, D\" h
8 r4 v+ D( ~. q4 S$ h; g
# 显示原始和重构的图像/ Z7 g\" h0 ?* _! }* F M/ e
plt.figure(figsize=(10, 5))% k\" h6 Y. J$ ]+ W9 g) U: ~
plt.subplot(1, 2, 1); H. O6 v& t/ \
plt.imshow(image_array, cmap='gray')$ c- L& c3 ?4 G$ S2 `) \5 e
plt.title('Original Image'): T! F6 L3 x. n3 K- y, z/ R8 G
plt.subplot(1, 2, 2)2 O' a- ? L\" P
plt.imshow(image_reconstructed, cmap='gray')1 A5 H4 v1 {\" S; @2 U\" |* Y! }
plt.title('Reconstructed Image')
1 f9 L6 t0 ^0 b2 b6 m1 J
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