Use PCA (Principal Component Analysis) to blur color image

阿新 • • 發佈：2018-12-31

I wrote an example of blurring color picture by using PCA from scikit-learn:

Python

import cv2
import numpy as np

from sklearn.decomposition import PCA

pca = PCA(n_components = 0.96)

img = cv2.imread("input.jpg")
reduced = pca.fit_transform(img)

res = pca.inverse_transform(reduced)

cv2.imwrite('output.jpg', res.reshape(shape))

12345678910111213

importcv2importnumpy asnpfromsklearn.decomposition importPCApca=PCA(n_components=0.96)img=cv2.imread("input.jpg")reduced=pca.fit_transform(img)res=pca.inverse_transform(reduced)cv2.imwrite('output.jpg',res.reshape(shape))

But it reports

ValueError: Found array with dim 3. Estimator expected <= 2.

1	ValueError:Found arraywith dim3.Estimator expected<=2.

The correct solution is transforming image to 2 dimensions shape, and inverse transform it after PCA:

Python

img = cv2.imread('input.jpg')

shape = img.shape
img_r = img.reshape((shape[0], shape[1] * shape[2]))

reduced = pca.fit_transform(img_r)

123456

img=cv2.imread('input.jpg')shape=img.shapeimg_r=img.reshape((shape[0],shape[1]*shape[2]))reduced=pca.fit_transform(img_r)

It works very well now. Let’s see the original image and blurring image:

Original Image

Blurring Image

Use PCA (Principal Component Analysis) to blur color image

I wrote an example of blurring color picture by using PCA from scikit-learn: Python import cv2 import numpy as np fr

Dive into PCA (Principal Component Analysis) with Python

Dive into PCA (Principal Component Analysis) with PythonGetting stuck in the sea of variables to analyze your data ? Feeling lost in deciding which feature

主成分分析（PCA，Principal Component Analysis）

主成分分析（PCA，Principal Component Analysis） 1、理論 1）概要 &nbs

第10章 Principal Component Analysis 人臉識別（PCA+SVM）

sklearn.decomposition.PCA Linear dimensionality reduction using Singular Value Decomposition of the data to project it to a lower dimensional sp

Detecting the Fault Line Using Principal Component Analysis (PCA)

locations of earthquakes on the San Andreas fault near Parkfield (x, y, z (in km), mag)The dataset I worked with has 6,129 earthquake location data on the

基於OpenCV3實現人臉識別（原理篇）---PCA（Principal Component Analysis）

實踐總結： 1首先了解做人臉識別的步驟 2各個演算法後面的原理 3原理背後的相關知識的瞭解 4人臉識別專案總遇到的問題

[機器學習]PCA（principal component analysis）

PCA(主成分分析)屬於無監督學習的範疇，是一種降維方法。PCA選取包含資訊量最多的方向對資料進行投影。1. 推導PCA的2種方法（需回顧）1）從重建誤差最小化的角度2）從方差最大化的角度（詳細推導見機器學習聖經 PRML ）。2. 求解方法求解特徵值和特徵向量的方法分為一

主成分分析（Principal Component Analysis，PCA）詳解

PCA是非常重要的統計方法，其實際應用非常廣泛，但是很多講解太過於公式化，很難讓初學者消化，本文將從一個實際例子出發，並對數學公式原理及推導過程作出詳細解釋，即使你的數學基礎比較差，在看完這篇部落格之

【轉載】Implementing a Principal Component Analysis (PCA) in Python step by step

原文地址：http://sebastianraschka.com/Articles/2014_pca_step_by_step.html In this article I want to explain how a Principal Component Analy

『特徵降維』PCA原理-Principal Component Analysis

特徵降維一般有兩類方法：特徵選擇和特徵抽取。特徵選擇即從高緯度的特徵中選擇其中的一個子集來作為新的特徵；而特徵抽取是指將高緯度的特徵經過某個函式對映至低緯度作為新的特徵。常用的特徵抽取方法就是PCA。 PCA（Principal Component An

從矩陣（matrix）角度討論PCA（Principal Component Analysis 主成分分析）、SVD（Singular Value Decomposition 奇異值分解）相關原理

0. 引言本文主要的目的在於討論PAC降維和SVD特徵提取原理，圍繞這一主題，在文章的開頭從涉及的相關矩陣原理切入，逐步深入討論，希望能夠學習這一領域問題的讀者朋友有幫助。這裡推薦Mit的Gilbert Strang教授的線性代數課程，講的非常好，循循善誘，深入淺出。 Relevant Link:&