Python利用PCA压缩图片

参考

Python利用PCA对图片进行降维处理PCA降维 维度 样本数 feature数 1、python代码实现PCA

这里先将1280的1D向量转变成2D图片之后，再进行PCA降维处理（但是这么做不是很科学，因为转2D后，同一列的数据实际含义是不同的）

from sklearn.decomposition import PCA '''PCA对图像进行压缩''' #参考 https://blog.csdn.net/u010687164/article/details/109253038 def PCA_decomposition(vector_1D, PCA_RATIO=0.7): ''' :param vector_1D: 1D向量（要求输出的1D向量长度都是2的整数倍） type = list :return: ''' #1D向量转2D vector_1D = np.array(vector_1D) vector_2D = dimension_convert(vector_1D) height,width = vector_2D.shape #PCA降维 n_components = round(width * PCA_RATIO) #保存前70%的变量 pca = PCA(n_components=n_components) #降维至多少个变量, 注意降维时样本数不变（height数目不变） res_array = pca.fit_transform(vector_2D) #2D转1D vector_1D = res_array.flatten() return vector_1D #简单实现1D转2D def dimension_convert(vector_1D): ''' :param vector_1D: 要求输出的1D向量长度都是2的整数倍，type = np.array :return: 返回2D向量,尽量保证2D向量的width，height基本一致 ''' length = len(vector_1D) temp = length factor = 1 for i in range(length): if(temp % 2 == 0): factor = factor * 2 #height temp = temp / 2 #width if(factor * 2 > temp): #尽量保证2D向量的width，height基本一致，且height < width break else: break height,width = int(factor),int(temp) vector_2D = np.resize(vector_1D,(height,width)) return vector_2D class MyTest(unittest.TestCase): def test_PCA_decomposition(self): image = cv2.imread("../data/id_dataset/Ben.jpg") model_path = "mobileNetV3.pth" model = get_mobileNet(model_path) output = face_feature_extract_withMobileNet(image, model) #得到长度为1280的1D向量 pca_output = PCA_decomposition(output,PCA_RATIO=0.7) #PCA降维 print(pca_output) 2、常见错误： import numpy as np from model.feature_similar import * from sklearn.decomposition import PCA import time #a = np.array([[1,2,3],[4,5,6],[7,8,9]]) #b = np.array([[10,11,12],[13,14,15],[16,17,18]]) c = np.array([[1,2,3,4,5,6]]) #1D向量，每个像素为一个样本，无需进行降维 res = cosine(a,b) print(res) pca = PCA(n_components=2) newArray = pca.fit_transform(c) #ValueError: n_components=2 must be between 0 and min(n_samples, n_features)=1 with svd_solver='full' img = np.around(newArray) print(img) --- ValueError: n_components=2 must be between 0 and min(n_samples, n_features)=1 with svd_solver='full'

解决方法：

将1D向量转变为2D向量即可使用PCA，但是在进行PCA时，只是修改了样本的维数，而不改变样本数量

---

1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，会注明原创字样,如未注明都非原创，如有侵权请联系删除！；3.作者投稿可能会经我们编辑修改或补充；4.本站不提供任何储存功能只提供收集或者投稿人的网盘链接。