查看: 2315|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 |正序浏览

|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' S( B4 M% L1 h0 Y& ^# A7 ?! J% U1 @
from sklearn.decomposition import PCA7 Z: o/ `! {6 F t
import matplotlib.pyplot as plt3 I. r+ _/ ]\" F' i: k+ @' B3 m
from PIL import Image
7 l0 ]! m# ]$ p7 B/ s
' ~( L. u\" I) g2 S) l
# 加载图片并转换为灰度图
- d- ?5 v* A1 J5 z. _
image_path = 'path_to_your_image.jpg'
/ R6 P1 }2 t8 G( q/ ~\" g; X
image = Image.open(image_path).convert('L')/ l6 q0 V1 n' _% R
image_array = np.array(image)
% l/ F% D z3 e' U& L- V
( S1 g- ]% ^( X
# 展平图像数组
/ B8 K8 q+ O' Q7 V0 `! z( a
h, w = image_array.shape
\" i6 [7 X: c4 d0 m5 Q# n: K7 K' S
image_flattened = image_array.flatten().reshape(1, h * w)
2 Z3 B6 y( Q' M; D7 z\" P
* I6 d4 w9 l; g5 s
# 应用PCA
% i2 B% Q, _6 x6 x& C+ [ \
n_components = 100 # 选择保留的主成分数量( `\" ]) F' o! n2 _
pca = PCA(n_components=n_components)6 V( O3 }/ y7 O
image_compressed = pca.fit_transform(image_flattened)
4 F4 H9 Q$ M, Z4 G( \
: s8 D& A t: s9 G0 X/ A2 _3 \
# 重构图像
& l8 [' f1 ]- c0 @2 Q2 X. i& p
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w) O\" |' G4 q0 _5 F# ^4 o, F9 ]
* V\" p. P- u\" H+ _
# 显示原始和重构的图像
\" ^5 k$ T1 `7 t
plt.figure(figsize=(10, 5))
f% E& w- {3 L9 {5 t
plt.subplot(1, 2, 1)
# C8 b9 \/ K' n1 V
plt.imshow(image_array, cmap='gray')5 g, D4 [7 {, h( x) v
plt.title('Original Image')# U0 T* f! a! v
plt.subplot(1, 2, 2)! {' p( D5 l C8 g( H
plt.imshow(image_reconstructed, cmap='gray')0 r) x\" g: u1 ^' z
plt.title('Reconstructed Image')
' z& x+ ]! I/ I3 C2 X# ?
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