查看: 2318|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
/ Y\" T. ] f g5 ^$ g1 ?
from sklearn.decomposition import PCA9 `) a0 m$ {% R! p
import matplotlib.pyplot as plt
! M2 g( f C. D. w
from PIL import Image: ?! L% }0 _' L) r% V2 O: G
1 J; _0 A- n0 X. ?: s
# 加载图片并转换为灰度图$ S1 r( E7 Z# @, ~2 [1 U
image_path = 'path_to_your_image.jpg'0 P# H\" s+ t/ T8 W
image = Image.open(image_path).convert('L')
# r: `2 F1 W% Z0 d
image_array = np.array(image)\" R- {, u; d; Q8 A4 o6 t
% {7 `6 `# p3 d7 K5 u1 E
# 展平图像数组7 Q4 q2 m5 g& J; z7 r
h, w = image_array.shape
9 R8 o7 M' e4 E9 o7 L g5 H
image_flattened = image_array.flatten().reshape(1, h * w)
8 W b\" c1 E; V8 i8 g+ x
0 \0 O F# [* V& p& o\" ~1 V0 H
# 应用PCA
y2 t) y# T4 G
n_components = 100 # 选择保留的主成分数量$ ]% n3 Y) b* ], J F
pca = PCA(n_components=n_components)0 `' B4 n5 D& J4 |6 O4 X3 ^
image_compressed = pca.fit_transform(image_flattened)
+ Y) l1 Q, l: ?7 u
9 x h6 G* s4 H/ [4 c, U
# 重构图像) Q; u0 f% k7 L6 v
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
, d) [- P+ ~8 r# \
/ a/ J. N4 b! a( ^! v
# 显示原始和重构的图像5 k0 ] u9 E5 a. z$ S
plt.figure(figsize=(10, 5))
# f5 t% z. ~0 b3 }
plt.subplot(1, 2, 1)* q: e( c$ u\" p
plt.imshow(image_array, cmap='gray')7 v/ h% V, g w3 L9 h0 C
plt.title('Original Image')2 E1 W: ?7 V2 b1 d5 i1 |. _
plt.subplot(1, 2, 2)9 _3 E a. j5 {4 h
plt.imshow(image_reconstructed, cmap='gray')
/ E\" h3 x6 ?7 d. m X
plt.title('Reconstructed Image')
9 X$ F. v/ o2 Y5 q6 R
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