实验七:使用K-means 聚类算法实现图像压缩;利用PCA寻找人脸的低维表示
一、实验目的
1.实现 K-means 聚类算法,并使用它来实现图像 压缩。
2.使用主成分分析(PCA)来寻找人脸图像的低维表示。
二、实验环境
Window10,Octave
三、实验步骤/过程
1.1实现 K-means:
1.1.1寻找最近的质心:在 FindClosestCentroids.m中添加代码:
1.1.2更新质心:在computeCentroids.m中添加代码:
1.2K-means 在数据集上的应用:在一个 toy 2D 数据集上运行 K-means 算法,改变质心和聚类分配。
1.3随机初始化:在kMeansInitCentroids.m中添加代码:
1.4 基于 K-means 的图像压缩:读取图像后,使用K-means算法在三维RGB空间中找出最适合对像素进行分组(聚类)的16种颜色并替换原始图像中的像素。
2.主成分分析(PCA)
2.1示例数据集:一个具有一个大的变化方向和一个小的变化方向的2D 数据集。
2.2 实现PCA:在pca.m中添加代码:
2.3使用PCA降维:
2.3.1将数据投影到主成分上:在projectData.m中添加代码:
Z = X * U(:,1:K);
2.3.2对数据进行近似重构:在recoverData.m中添加代码:
X_rec = Z * U(:,1:K)';
2.3.3可视化投影:原始数据点用蓝色圆圈表示,而投影数据点(即重构数据点)用红色圆圈表示。投影仅将信息保留在 U1 给定 的方向上。
2.4人脸图像数据集:加载并可视化前 100 幅人脸图像,对人脸数据执行PCA并降维。
2.5可视化PCA:把PCA的实现应用于三维数据,以将其还原为二维,并在二维散点图中可视化结果。
四、实验结果
1.1.1寻找最近的质心:
1.1.2更新质心:
1.2 K-means 在数据集上的应用:
1.4基于 K-means 的图像压缩:
2.1示例数据集:
2.2 实现PCA:
2.3.1将数据投影到主成分上:
2.3.2对数据进行近似重构:
2.3.3可视化投影:
2.4人脸图像数据集:
2.5可视化PCA: