查看: 2235|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! l; b& |* F' S' Q9 S( w; M
from sklearn.decomposition import PCA! {9 l2 V( ?: E2 M# s
import matplotlib.pyplot as plt
5 b- V# T: G, `\" }+ o1 d
from PIL import Image
: h( T. B/ U% L- \
% e* k; a9 d, y- J\" V6 p6 F5 N$ X/ h
# 加载图片并转换为灰度图2 S\" L5 w% c/ K, D! b' B
image_path = 'path_to_your_image.jpg'. f* E% f! m2 O4 A
image = Image.open(image_path).convert('L')
8 S1 I8 s# ]$ p7 @* q# h
image_array = np.array(image)' b9 b8 g2 c; g% {1 k0 C+ _
3 V5 r, {: n1 C8 {* t4 l% a
# 展平图像数组
+ }- b @. [1 f! q' [! f/ P- T& c
h, w = image_array.shape
8 j( y% z9 G. A4 {( e9 a- h3 P
image_flattened = image_array.flatten().reshape(1, h * w)# t3 o& V. K7 n( `2 D# R) O
. R' l- S9 J1 }8 K; ]) @2 b+ \; Q
# 应用PCA! d2 }7 p* L1 `% z8 u& x5 a
n_components = 100 # 选择保留的主成分数量
- d. u, Y/ Y9 D. G\" C) j }
pca = PCA(n_components=n_components)- I6 [4 Q+ E4 u\" O/ j
image_compressed = pca.fit_transform(image_flattened)
6 x% t. g\" ^0 E7 J, X
& r. ~' X; P4 e# F6 v- P
# 重构图像
9 `+ ^. D4 X3 t0 P) l. O
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
\" j9 `1 z: k5 u' J3 @
. x( O\" Z5 l4 e( n1 X- m& F: ?
# 显示原始和重构的图像
z! m8 H, d1 x$ z4 f% M/ x6 ~% h
plt.figure(figsize=(10, 5))
2 ]6 ?' x5 _) l6 Y
plt.subplot(1, 2, 1)\" k( M, z+ c, X' t
plt.imshow(image_array, cmap='gray')
7 L; `4 E# p H
plt.title('Original Image')
( d8 o$ W1 a6 j% D7 [
plt.subplot(1, 2, 2)' g, a\" J- X8 v+ G0 a0 g' c1 h& S
plt.imshow(image_reconstructed, cmap='gray')
( d* T! g\" I! q {& B
plt.title('Reconstructed Image'). D7 K# I0 X) I7 Q0 w- x5 k/ t\" ]. 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