查看: 2357|回复: 0

图像压缩（主成分分析）

字体大小: 正常放大

1192 主题	4 听众	2946 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
6 ~, j' F; T0 e2 j: i$ r
from sklearn.decomposition import PCA1 }# f+ f& Q6 v
import matplotlib.pyplot as plt6 Y. Y8 F2 `7 V8 T
from PIL import Image, V0 A/ R: N6 D; |0 P
: J& e* F; @: l( X
# 加载图片并转换为灰度图
% b1 @- v) r/ M
image_path = 'path_to_your_image.jpg'8 j$ V7 q2 n8 v. e
image = Image.open(image_path).convert('L')! E d5 h3 ~* ]. g+ Q! S
image_array = np.array(image)5 l- r2 @/ i1 V [7 ^
) R! l. y0 F) ~0 A W) D) t$ E
# 展平图像数组. D- t; M+ V5 x- C: t5 r: `, Q) N
h, w = image_array.shape
5 |% c3 r* b+ L( G- B
image_flattened = image_array.flatten().reshape(1, h * w)' W* X9 U5 ~9 n, [9 ^; Z1 \
( ?. i$ _\" Q5 e4 m. W6 y$ z
# 应用PCA( _& z G9 O8 m y2 C6 a4 {% T
n_components = 100 # 选择保留的主成分数量( O3 C\" L7 ?. E1 n: f
pca = PCA(n_components=n_components)% v) O; _& r# u/ K1 x6 ^7 ^
image_compressed = pca.fit_transform(image_flattened)3 c' {) `) W9 X0 x
/ c* W. O% B# o' \0 R
# 重构图像
4 }6 k/ O% k6 w3 j( n8 a) K: O
image_reconstructed = pca.inverse_transform(image_compressed).reshape(h, w)
\" l- r: V- ?1 O |7 [' }
) d7 c7 x' x( [4 j7 v
# 显示原始和重构的图像
h2 b( Q1 E! Q( b3 t6 i5 w
plt.figure(figsize=(10, 5))
' Z$ f1 x$ d4 l: w8 `
plt.subplot(1, 2, 1)8 ~2 R+ L- T7 V q* ~8 }* C( m m# {
plt.imshow(image_array, cmap='gray')
- M1 ]3 _ @$ Q1 Z6 n4 E6 ]2 O
plt.title('Original Image')# ^. X; w0 K5 D* U
plt.subplot(1, 2, 2)
s7 Y3 X4 c2 I1 b9 i: r
plt.imshow(image_reconstructed, cmap='gray')
( s4 l7 g- `- W) ]. b, q- V
plt.title('Reconstructed Image')
: R5 u+ o# B$ a2 ?$ k& O
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