查看: 2184|回复: 0

图像压缩（主成分分析）

字体大小: 正常放大

1186 主题	4 听众	2922 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
% U3 f( O7 G! ^\" m1 K! K
from sklearn.decomposition import PCA- f# k; y( @% `! O7 V
import matplotlib.pyplot as plt7 t+ {3 o& J/ R& U6 c' P\" I. k; p
from PIL import Image- |# m6 c E9 [8 s: y t. h
+ J# m! L2 P% _' k, Q6 d! c
# 加载图片并转换为灰度图
6 ]4 D9 e7 x7 H) m) z\" R
image_path = 'path_to_your_image.jpg' L5 t% k2 T( K& S/ s J: x& R
image = Image.open(image_path).convert('L')% v( t- D, T- C
image_array = np.array(image)
6 j: d: e2 X3 [+ L# k( m% }1 ^! v _
! Q) s2 }6 t1 ~7 L4 [- {- s6 H
# 展平图像数组8 o) n' Q2 v a, z- w( ~7 U
h, w = image_array.shape
* A: E4 w( E$ m: h
image_flattened = image_array.flatten().reshape(1, h * w)6 E\" I' f/ P& L# E( [: D
) I6 [( P( K0 X
# 应用PCA. }& d. k6 u! w8 J* M\" c, w
n_components = 100 # 选择保留的主成分数量
8 V; Y; ?0 ^2 e) A% n: A$ l
pca = PCA(n_components=n_components); i3 \\" X0 j- S1 \6 a
image_compressed = pca.fit_transform(image_flattened)
- x# [& L7 R3 O4 R s
0 ?0 Y% W. p- Y6 v
# 重构图像; _\" T: h, L: s9 t\" ]* n: N$ }\" i) }
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
, A# U! E! ]+ `) {! Y
3 J! i( {6 v, D- B6 c4 w) c9 w\" V
# 显示原始和重构的图像! e- \$ V1 H5 z- c5 U7 F
plt.figure(figsize=(10, 5))
; D6 w, K) R1 E9 p b* |4 R1 `
plt.subplot(1, 2, 1)
$ B; c O8 Q: R; s: N
plt.imshow(image_array, cmap='gray')9 C1 B0 L, S; z8 n$ @$ ~
plt.title('Original Image'); t7 z8 W/ K' z8 Q6 s\" s
plt.subplot(1, 2, 2)
2 ]% k5 ?, r2 h. R
plt.imshow(image_reconstructed, cmap='gray'): k/ b/ V9 @9 X8 b4 W) H
plt.title('Reconstructed Image')
3 n. @+ d, W% X$ k, q/ e6 K2 A
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