Python利用PCA压缩图片

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