Автор оригинала: Pankaj Kumar.

Главный компонентный анализ для данных изображения в Python

Мы уже работали на PCA в предыдущей статье. В этой статье давайте будем работать над основным компонентным анализом для данных изображения. PCA – это известная неподременная техника уменьшения размерности, которая приходит к нашему спасению, когда проклятие размерности преследует нас.

Работа с изображениями изображения немного отличается от обычных наборов данных. Типичное цветное изображение состоит из крошечных пикселей («элемент изображения» для коротких), многие пиксели объединяются в массиве, чтобы сформировать цифровое изображение.

Типичное цифровое изображение производится путем укладки красных синих и зеленых массивов пикселей интенсивностей от 0 до 255.

Изображение в середине серого не содержит цвета, а только оттенки серого. Интенсивность пикселей в изображении серого дерева варьируется от черных (0 интенсивности) до белого (255 полной интенсивности), чтобы сделать его тем, что мы обычно называем черным и белым изображением.

Применение PCA для цифр набора данных

Цифры DataSet – это набор данных из серого изображения рукописной цифры, имеющего 1797 8 × 8 изображений.

#importing the dataset
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits

digits = load_digits()
data = digits.data
data.shape

kklearn.datasets Модуль делает его быстро импортировать цифры данных, импортируя load_digits класс от него. Форма данных цифры составляет (1797, 64). 8 × 8 пикселей сплющены для создания вектора длины 64 для каждого изображения.

Давайте посмотрим, как выглядит наши данные.

#taking a sample image to view
#Remember image is in the form of numpy array.
image_sample = data[0,:].reshape(8,8)
plt.imshow(image_sample)

1. Уменьшить измерения изображения

Теперь, используя PCA, давайте уменьшим измерения изображения от 64 до 2, чтобы мы могли визуализировать набор данных, используя ScatterPlot.

Sklearn Предоставляет нам очень простую реализацию PCA.

#Import required modules
from sklearn.decomposition import PCA

pca = PCA(2) # we need 2 principal components.
converted_data = pca.fit_transform(digits.data)

converted_data.shape

Данные снижаются с (1797, 64) до (1797, 2).

2. Визуализируйте полученный набор данных

Мы будем использовать Sklearn.DeComposition Предоставляет PCA () Класс для реализации основного алгоритма анализа компонентов.

Он принимает целое число в качестве входного аргумента, изображающего количество основных компонентов, которые мы хотим в преобразованном наборе данных.

Мы также можем пройти значение поплавка менее 1 вместо целочисленного числа. I.E. PCA (0,90) Это означает, что алгоритм найдет основные компоненты, которые объясняют 90% дисперсии в данных.

Давайте визуализируем результат.

plt.style.use('seaborn-whitegrid')
plt.figure(figsize = (10,6))
c_map = plt.cm.get_cmap('jet', 10)
plt.scatter(converted_data[:, 0], converted_data[:, 1], s = 15,
            cmap = c_map , c = digits.target)
plt.colorbar()
plt.xlabel('PC-1') , plt.ylabel('PC-2')
plt.show()

Главный компонентный анализ для сжатия данных изображения

Другое прохладное применение PCA находится в сжатии изображений. Давайте посмотрим, как мы можем достичь этого с Python.

# Importing required libraries
import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

1. Загрузка изображения

Мы будем использовать Opencv (Библиотека компьютерного видения с открытым исходным кодом). Opencv это компьютерное зрение с открытым исходным кодом и библиотека обучения машины.

# Loading the image 
img = cv2.imread('my_doggo_sample.jpg') #you can use any image you want.
plt.imshow(img)

2. Разделение изображения в R, G, B массивы

Как мы знаем, цифровое цветное изображение – это комбинация массивов R, G, и B, сложенных друг с другом. Здесь мы должны разделить каждый канал из изображения и извлекать основные компоненты каждого из них.

# Splitting the image in R,G,B arrays.

blue,green,red = cv2.split(img) 
#it will split the original image into Blue, Green and Red arrays.

Важной точкой здесь следует отметить, OpenCV разделится на синие, зеленые и красные каналы вместо красных, синих и зеленых. Будьте очень осторожны на последовательности здесь.

3. Нанесите основные компоненты к отдельным массивам

Теперь, нанесите PCA на каждый массив.

#initialize PCA with first 20 principal components
pca = PCA(20)

#Applying to red channel and then applying inverse transform to transformed array.
red_transformed = pca.fit_transform(red)
red_inverted = pca.inverse_transform(red_transformed)

#Applying to Green channel and then applying inverse transform to transformed array.
green_transformed = pca.fit_transform(green)
green_inverted = pca.inverse_transform(green_transformed)

#Applying to Blue channel and then applying inverse transform to transformed array.
blue_transformed = pca.fit_transform(blue)
blue_inverted = pca.inverse_transform(blue_transformed)

Здесь мы применили PCA, хранящие только первые 20 основных компонентов и применили его к массивам RGB соответственно.

4. Сжатие изображения

Обратная трансформация необходима для воссоздания оригинальных размеров базового изображения.

В процессе реконструкции исходных размеров из уменьшенных измерений некоторая информация теряется, поскольку мы сохраняем только выбранные основные компоненты, 20 в этом случае.

img_compressed = (np.dstack((red_inverted, red_inverted, red_inverted))).astype(np.uint8)

Укладка инвертированных массивов с использованием DSTACK функция. Здесь важно указать тип данных наших массивов, так как большинство изображений имеют 8 бит. Каждый пиксель представлен одним 8-битным байтом.

#viewing the compressed image
plt.imshow(img_compressed)

Выход выше, что мы получаем при рассмотрении всего 20 основных компонентов.

Если мы увеличиваем количество основных компонентов. Выходное изображение будет понятно.

Используя первые 50 основных компонентов:

Теперь, используя 100 основных компонентов:

С первыми 100 основными компонентами наш выход был гораздо яснее. Теперь давайте нанесем PCA, используя первые 200 основных компонентов.

Вуаля! С 200 основными компонентами мы смогли создать резкое изображение, как оригинальный.

Количество компонентов для рассмотрения полностью произвольна. Начните с некоторого небольшого значения и постепенно увеличивайте его до тех пор, пока не будет достигнут желаемый выход. Не стесняйтесь экспериментировать с кодом.

Заключение

В этой статье мы изучили применение PCA в качестве метода восстановления размеров и применили его к данным изображения. Мы также видели, как PCA находит свое использование в сжатии изображений.

Счастливое обучение!