查看: 2240|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
% h6 l1 x# c1 j, J& o: [1 ?
from sklearn.decomposition import PCA* E1 v2 G( k! o/ d
import matplotlib.pyplot as plt
2 j8 ^( ]' [& C1 X( p; G( e! l7 h7 o& i
from PIL import Image; x9 ?$ S\" d0 R8 R9 b' V
) Y; A/ N& ^$ N1 y' ~- l. o4 e\" W
# 加载图片并转换为灰度图
( T: S, \7 g) I+ o* A: {
image_path = 'path_to_your_image.jpg'/ P* i( U* Q2 D/ {
image = Image.open(image_path).convert('L')9 n% }5 I6 u' e0 i\" v
image_array = np.array(image)2 `2 x+ V# P) n2 J P f
: C. l5 v# V5 m) X3 c- w8 N4 ^
# 展平图像数组. A$ \+ ~7 |1 [% D# J' c e
h, w = image_array.shape- h- H0 _: H; s1 P5 Y1 K+ A! F
image_flattened = image_array.flatten().reshape(1, h * w)
: `1 t1 [3 `8 C/ R
* [0 Z2 n1 T% K/ v' ? j# H
# 应用PCA\" b% f; |. p$ [9 K; x
n_components = 100 # 选择保留的主成分数量$ g2 c9 s- { S& }% o& F: r
pca = PCA(n_components=n_components)1 ~! Q, `/ h5 H1 j6 Z j
image_compressed = pca.fit_transform(image_flattened)& x5 \$ H8 {/ S: I/ T. r. S i$ e
- \. c# n( A! m6 n' [) [( u
# 重构图像
) ?9 W0 R B I7 Z3 y8 q* i
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)5 P' g* I8 p) k
- t: J \\" y1 Y7 V) n) q\" m
# 显示原始和重构的图像
+ j1 \. d6 H6 ^- u2 ]7 k
plt.figure(figsize=(10, 5)): _6 Z) f$ F+ u
plt.subplot(1, 2, 1)
5 p\" e/ R, f0 }\" p& Q& B
plt.imshow(image_array, cmap='gray')
\" L' ^) ]( x' o; }2 r, ?
plt.title('Original Image')0 i+ }- t% w; Y0 O5 u( k4 o
plt.subplot(1, 2, 2)
$ W( q* q5 }( n! E4 s
plt.imshow(image_reconstructed, cmap='gray')
( e8 q& }0 T8 y- U R- S
plt.title('Reconstructed Image')5 M/ z6 V6 l4 ^6 L7 {) V
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