降维算法实战项目（2）—使用PCA对图像降维（Python代码+数据集）

深藏阁楼爱情的钟 2023-09-28 17:41 5阅读 0赞

在这部分练习中，我们将学习人脸图像上运行PCA，看看如何在实践中使用它来减少维度。

老规矩，先放出数据集：

**链接：https://pan.baidu.com/s/1R0oiqoWHV2iR8sc3YHkMoA  
提取码：6666**

**导入需要用到的包**

from numpy import *
    from scipy.io import loadmat
    import matplotlib.pyplot as plt

**导入数据**

faces_data = loadmat('data/ex7faces.mat')
    print(faces_data)
    X=faces_data['X']
    print(X.shape)

结果为：

{
        '__header__': b'MATLAB 5.0 MAT-file, Platform: PCWIN64, Created on: Mon Nov 14 23:46:35 2011', '__version__': '1.0', '__globals__': [], 'X': array([[ -37.86631387,  -45.86631387,  -53.86631387, ..., -110.86631387,
            -111.86631387,  -99.86631387],
           [   8.13368613,   -0.86631387,   -8.86631387, ...,  -34.86631387,
              -8.86631387,    0.13368613],
           [ -32.86631387,  -34.86631387,  -36.86631387, ..., -110.86631387,
            -111.86631387, -111.86631387],
           ...,
           [ -46.86631387,  -24.86631387,   -8.86631387, ...,   90.13368613,
              80.13368613,   59.13368613],
           [  19.13368613,   16.13368613,   14.13368613, ...,  -38.86631387,
             -41.86631387,  -46.86631387],
           [-108.86631387, -106.86631387, -102.86631387, ...,   17.13368613,
              17.13368613,   18.13368613]])}

(5000, 1024)

说明我们的数据集有5000个样本，每个样本有1024个特征。

**可视化**

我们可视化一下前100张人脸图像：

def plot_100_image(X):
        fig,ax=plt.subplots(nrows=10,ncols=10,figsize=(10,10))
        for c in range(10):
            for r in range(10):
                ax[c,r].imshow(X[10*c+r].reshape(32,32).T,cmap='Greys_r')
                ax[c,r].set_xticks([])
                ax[c,r].set_yticks([])
        plt.show()
    
    plot_100_image(X)

结果如下图所示：  
![c408833ae7cb46ab9c52dfdc312b88dc.png][]  
接下来我们应用PCA算法的步骤与之前在二维数据集上的步骤一致：  
**1.去均值化**

**2.计算协方差矩阵**

**3.计算特征值和特征向量**

我们不再细致讲解，有需要的可以看我之前的博客：

> https://blog.csdn.net/wzk4869/article/details/126074158?spm=1001.2014.3001.5502

直接放出对应的代码：

def reduce_mean(X):
        X_reduce_mean=X-X.mean(axis=0)
        return X_reduce_mean
    X_reduce_mean=reduce_mean(X)
    
    def sigma_matrix(X_reduce_mean):
        sigma=(X_reduce_mean.T @ X_reduce_mean)/X_reduce_mean.shape[0]
        return sigma
    sigma=sigma_matrix(X_reduce_mean)
    
    def usv(sigma):
        u,s,v=linalg.svd(sigma)
        return u,s,v
    u,s,v=usv(sigma)
    print(u)
    
    def project_data(X_reduce_mean, u, k):
        u_reduced = u[:,:k]
        z=dot(X_reduce_mean, u_reduced)
        return z
    z = project_data(X_reduce_mean, u, 100)

我们接下来还原数据，这里选择只保留100个特征：

def recover_data(z, u, k):
        u_reduced = u[:,:k]
        X_recover=dot(z, u_reduced.T)
        return X_recover
    X_recover=recover_data(z,u,100)

我们看一下最后降维后的图像：

plot_100_image(X_recover)

![e3e7d63f689b4be782bf61e0bd70b458.png][]  
我们对比两张图片，可以很明显的看出，第二张图片保留的特征较少，已经导致脸部有些模糊。

### 最后唠叨一句 ###

如果不设置 `cmap='Greys_r'` 会很阴间：

最开始的100张人脸：  
![b0145df480154ccbba154345079f2888.png][]  
降维后的人脸：  
![2aaac8af7f794fe59cb1a539da99b44d.png][]

[c408833ae7cb46ab9c52dfdc312b88dc.png]: https://img-blog.csdnimg.cn/c408833ae7cb46ab9c52dfdc312b88dc.png
[e3e7d63f689b4be782bf61e0bd70b458.png]: https://img-blog.csdnimg.cn/e3e7d63f689b4be782bf61e0bd70b458.png
[b0145df480154ccbba154345079f2888.png]: https://img-blog.csdnimg.cn/b0145df480154ccbba154345079f2888.png
[2aaac8af7f794fe59cb1a539da99b44d.png]: https://img-blog.csdnimg.cn/2aaac8af7f794fe59cb1a539da99b44d.png