查看: 2239|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
. h- ]3 k( u! `2 D! g4 [4 ?
from sklearn.decomposition import PCA
' K9 y( u' c7 i5 t) H7 |
import matplotlib.pyplot as plt
6 h; N4 x- p7 s$ Q
from PIL import Image
2 X0 [( [& g/ a$ A& P9 Q1 ?' {: E
6 f& l3 w4 _) P3 _
# 加载图片并转换为灰度图* C. K7 X6 Z, Z7 ^7 P7 d7 X$ }
image_path = 'path_to_your_image.jpg'
. J9 e' ^/ e$ J( ?; k
image = Image.open(image_path).convert('L')
) e5 N: Y9 J& _\" M. {* E. ~
image_array = np.array(image)+ O% P( B* g( f7 i! L/ z5 c
) i0 o M* z7 r+ e5 p
# 展平图像数组' K2 d\" D3 j& S& G
h, w = image_array.shape
$ K6 ]8 b# o& L) G
image_flattened = image_array.flatten().reshape(1, h * w)- s: C/ I+ T& V, X
% m5 y( H7 q' s+ M$ K- _
# 应用PCA2 f; [$ h: Z2 `% D6 f \* P$ E
n_components = 100 # 选择保留的主成分数量
; P5 {! X' U, N
pca = PCA(n_components=n_components)
3 a: s5 k6 V+ t* a4 X' }
image_compressed = pca.fit_transform(image_flattened)9 ^. _, v9 U' H8 S$ ]* {& d6 b6 k7 V
: K, L* k# P; H9 {/ r/ j; E6 W
# 重构图像5 s! j% c& z' j9 Q2 U2 {& j
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
2 x' w6 e& j3 ]( Z
8 ^7 Y\" p W9 G# L6 {; I, j
# 显示原始和重构的图像 ^2 e# p) @7 P. b2 v' i
plt.figure(figsize=(10, 5))5 i+ P. D\" V5 ]8 f! O! H+ y
plt.subplot(1, 2, 1)
2 S+ j! c$ S: N\" j& J
plt.imshow(image_array, cmap='gray')1 ]1 t0 z2 I; r- ^2 Z2 f
plt.title('Original Image')
; D! o! I& b( P3 Z& [
plt.subplot(1, 2, 2), v8 k' @! H1 Z' G3 X9 \
plt.imshow(image_reconstructed, cmap='gray')7 y\" N4 K2 b3 {. ^2 X' ` Q; o: T8 O6 D
plt.title('Reconstructed Image')) r\" H1 U4 I9 V% J+ b
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