Python | 机器学习之PCA降维

🌈个人主页:Sarapines Programmer
🔥 系列专栏:《人工智能奇遇记》
🔖少年有梦不应止于心动,更要付诸行动。

目录结构


1. 机器学习之PCA降维概念

1.1 机器学习

1.2 PCA降维

2. PCA降维

2.1 实验目的

2.2 实验准备

2.3 实验原理

2.4 实验内容

2.5 实验心得

致读者


1. 机器学习之PCA降维概念

1.1 机器学习

传统编程要求开发者明晰规定计算机执行任务的逻辑和条条框框的规则。然而,在机器学习的魔法领域,我们向计算机系统灌输了海量数据,让它在数据的奔流中领悟模式与法则,自主演绎未来,不再需要手把手的指点迷津。

机器学习,犹如三千世界的奇幻之旅,分为监督学习、无监督学习和强化学习等多种类型,各具神奇魅力。监督学习如大师传道授业,算法接收标签的训练数据,探索输入与输出的神秘奥秘,以精准预测未知之境。无监督学习则是数据丛林的探险者,勇闯没有标签的领域,寻找隐藏在数据深处的秘密花园。强化学习则是一场与环境的心灵对话,智能体通过交互掌握决策之术,追求最大化的累积奖赏。

机器学习,如涓涓细流,渗透各行各业。在图像和语音识别、自然语言处理、医疗诊断、金融预测等领域,它在智慧的浪潮中焕发生机,将未来的可能性绘制得更加丰富多彩。

1.2 PCA降维

PCA(Principal Component Analysis),主成分分析,是一种常用的降维技术。其主要目的是通过线性变换,将原始数据投影到一个新的坐标系中,使得数据在新坐标系中的方差尽可能大,从而减少数据的维度。

PCA的工作原理是找到数据中方差最大的方向,将数据映射到这个方向上,形成第一个主成分。然后,在与第一个主成分正交的方向上找到第二大方差的方向,形成第二个主成分,依此类推。通过选择最大方差的前几个主成分,就可以实现对数据维度的降低。

降维的好处在于可以减少数据的冗余性,提高计算效率,去除噪声,同时保留数据中的主要结构和特征。在实际应用中,PCA常被用于处理高维数据,例如图像处理、模式识别和数据压缩等领域。通过选择合适数量的主成分,可以在保持数据信息的同时显著减少数据的维度。

机器学习源文件icon-default.png?t=N7T8https://download.csdn.net/download/m0_57532432/88521407


2. PCA降维

2.1 实验目的

(1)理解和掌握PCA原理;

(2)利用PCA降维,辅助完成一项实战内容。


2.2 实验准备

(1)安装机器学习必要库,如NumPy、Pandas、Scikit-learn等;

(2)配置环境用来运行 Python、Jupyter Notebook和相关库等内容。


2.3 实验原理

矩阵的主成分就是其协方差矩阵对应的特征向量,按照对应的特征值大小进行排序,最大的特征值就是第一主成分,其次是第二主成分,以此类推。

算法流程:

图4-1

2.4 实验内容

人脸识别步骤

1.利用给定的数据集,执行上述算法,得到投影矩阵W;

2.计算训练集的投影后的矩阵:P=WX;

3.加载一个测试图片T,测试图片投影后的矩阵为:TestT=WT;

4.计算TestT和P中每个样本距离,选出最近的那个即可。

5.做成可视化界面 显示投影前后的两张图片。

具体内容:

使用PCA降维人脸代码如下:

import matplotlib
import numpy as np
from sklearn.decomposition import PCA
from sklearn.datasets import fetch_olivetti_faces
import matplotlib.pyplot as plt
import cv2
matplotlib.use('TkAgg') # 指定交互式框架为TkAgg
# 加载人脸数据集
faces = fetch_olivetti_faces()
X = faces.data

# 将人脸数据进行PCA降维
pca = PCA(n_components=50)
X_pca = pca.fit_transform(X)

# 将降维后的数据进行逆转换
X_restored = pca.inverse_transform(X_pca)

# 随机选择一张人脸图片
face = X[20].reshape(64, 64)
face_restored = X_restored[20].reshape(64, 64)

# 使用均值滤波器模糊图像
face_blur = cv2.blur(face_restored, (20, 20))

# 显示结果
fig, axs = plt.subplots(1, 3, figsize=(10, 5))
axs[0].imshow(face, cmap='gray')
axs[0].set_title('Original Face')
axs[1].imshow(face_restored, cmap='gray')
axs[1].set_title('Restored Face')
axs[2].imshow(face_blur, cmap='gray')
axs[2].set_title('Blurred Face')
plt.show()

PCA降维后运行结果:

图4-2

源码分析:

我实现加载Olivetti人脸数据集,使用PCA对人脸数据进行降维,并通过逆转换恢复了部分原始数据。然后,选择其中一张人脸图像进行处理,包括模糊处理,并使用Matplotlib库在图形界面中展示了原始人脸图像、恢复的人脸图像和模糊的人脸图像。这样可以直观地比较PCA降维对人脸图像的影响以及图像处理的效果。

1.导入必要的库:

  1. matplotlib:用于图像展示。
  2. numpy:用于数据处理和数组操作。
  3. sklearn.decomposition.PCA:用于进行主成分分析(PCA)降维。
  4. sklearn.datasets.fetch_olivetti_faces:用于获取Olivetti人脸数据集。
  5. cv2:OpenCV库,用于图像处理。

2.设置交互式框架:

  1. matplotlib.use('TkAgg'):指定使用TkAgg作为交互式框架,这是一种用于在图形用户界面中显示图形的后端。

3.加载人脸数据集:

  1. fetch_olivetti_faces():从Olivetti人脸数据集中加载人脸图像数据。
  2. faces.data:获取加载的人脸数据。

4.进行PCA降维:

  1. PCA(n_components=50):创建一个PCA对象,将数据降维到50个主成分。
  2. pca.fit_transform(X):对人脸数据进行PCA降维,返回降维后的数据集X_pca。

5.进行逆转换:

  1. pca.inverse_transform(X_pca):将降维后的数据X_pca进行逆转换,返回重建的人脸数据X_restored。

6.随机选择一张人脸图片:

  1. X[20]:选择人脸数据集中的第21个样本(索引从0开始)。
  2. X[20].reshape(64, 64):将一维的人脸数据转换为64x64的二维图像表示,得到原始人脸图像。

7.使用均值滤波器模糊图像:

  1. cv2.blur(face_restored, (20, 20)):使用20x20的均值滤波器对face_restored进行图像模糊处理,得到模糊的人脸图像face_blur。

8.显示结果:

  1. 创建一个1行3列的子图布局,用于在同一画布上显示原始人脸图像、重建的人脸图像和模糊的人脸图像。
  2. axs[0].imshow(face, cmap='gray'):在第一个子图上显示原始人脸图像,使用灰度颜色映射。
  3. axs[1].imshow(face_restored, cmap='gray'):在第二个子图上显示重建的人脸图像,使用灰度颜色映射。
  4. `axs[2].imshow(face_blur, cmap 'gray')`:在第三个子图上显示模糊的人脸图像,使用灰度颜色映射。
  5. axs[0].set_title('Original Face'):设置第一个子图的标题为"Original Face"。
  6. axs[1].set_title('Restored Face'):设置第二个子图的标题为"Restored Face"。
  7. axs[2].set_title('Blurred Face'):设置第三个子图的标题为"Blurred Face"。
  8. plt.show():显示图像结果。

除了实现上述的基本要求,我额外实现了读取本地的图片识别人脸和调用本地电脑摄像头实时识别人脸。

1. 读取本地的图片识别人脸

代码如下:

# 导入所需要使用的包
import cv2
import paddlehub as hub
from matplotlib import pyplot as plt

# 加载Paddlehub人脸检测模型
face_detector = hub.Module(name="pyramidbox_lite_mobile")

# 使用模型进行图片预测
result = face_detector.face_detection(paths=['./img/1.jpg'],  # 图片路径列表
                                      use_gpu=False,  # 是否使用GPU进行推理
                                      visualization=True,  # 是否可视化结果
                                      output_dir='./output',  # 输出目录路径
                                      confs_threshold=0.5)  # 置信度阈值

# 打印检测结果
print(result)

# 显示可视化图片
output = cv2.imread('./output/555.jpg')  
# 读取可视化结果图片

output = output[:, :, ::-1] 
# 将图片通道顺序由BGR转换为RGB

plt.imshow(output)  
# 显示图片

运行结果:

图4-2 (a)为输入,(b)为输出

2. 调用本地电脑摄像头实时识别人脸

代码如下:

# 导入必要的库
import cv2  
# 导入OpenCV库,用于图像处理和显示
import paddlehub as hub  
# 导入Paddlehub库,用于加载和使用Paddlehub模型

# 加载Paddlehub人脸检测模型
face_detector = hub.Module(name="pyramidbox_lite_mobile") 
# 使用Paddlehub的pyramidbox_lite_mobile模型进行人脸检测

# 调用摄像头,参数为0时,即调用系统默认摄像头,如果有其他的摄像头可以调整参数为1,2等
cap = cv2.VideoCapture(0)  
# 创建一个VideoCapture对象,用于读取摄像头的视频流

while True:
# 从摄像头读取图片
sucess, img = cap.read() 
 # 读取摄像头的视频流,并将每一帧存储为图像

# 从图片中检测人脸位置,默认开启GPU推理,若无GPU环境,请将use_gpu设置为False
result = face_detector.face_detection(images=[img], use_gpu=False)  
# 使用加载的人脸检测模型对图像进行人脸检测

    # 遍历结果并绘制矩形框
    if result[0]['data'] != []:
        for face in result[0]['data']:
            # 将Dict形式的key-value对转换成变量形式
            locals().update(face)  
            # 将人脸检测结果中的每个人脸信息存储为变量
            
            print('bbox:', [left, top, right, bottom])  
            # 打印人脸边界框的坐标信息
            # 绘制矩形框
            
            cv2.rectangle(img, tuple([left, top]), tuple([right, bottom]), (255, 0, 0), 2)  
            # 在图像上绘制人脸边界框

    # 显示图像
    cv2.imshow("img", img)  
# 在窗口中显示处理后的图像

    # 保持画面的持续。
    k = cv2.waitKey(1)  
    # 等待用户按键输入,等待时间为1毫秒

    if k == 27:
        # 通过esc键退出摄像
        cv2.destroyAllWindows()  # 关闭所有窗口
        break
# 关闭摄像头
cap.release()  # 释放摄像头资源

运行结果:

图4-3 实时输出结果

2.5 实验心得

通过本次实验,我成功实现了人脸识别的关键步骤,运用机器学习算法进行学习和应用。实验主要包括以下几个步骤:

  1. 利用fetch_olivetti_faces函数加载人脸数据集,将数据存储在变量X中。通过PCA算法将数据进行降维,将维度减少到50。

  2. 进行降维后数据的逆转换,使用PCA.inverse_transform()得到重建后的人脸数据,实现维度还原。

  3. 随机选择一张人脸图片,展示原始、重建以及模糊后的人脸图像。

  4. 利用PaddleHub库加载人脸检测模型,对测试图片进行人脸检测和可视化。

  5. 使用OpenCV和PaddleHub库进行实时人脸检测,并将检测结果嵌入摄像头的视频流中,实现实时人脸识别。

这些步骤涵盖了从数据加载、降维处理到模型应用和实时检测的全面流程。通过详细的代码说明,展现了人脸识别算法的实际应用和实验成果。


致读者

风自火出,家人;君子以言有物而行有恒

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/155787.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

RT-Thread STM32F407 定时器

定时器简介 硬件定时器一般有 2 种工作模式,定时器模式和计数器模式。不管是工作在哪一种模式,实质都是通过内部计数器模块对脉冲信号进行计数。下面是定时器的一些重要概念。 计数器模式:对外部输入引脚的外部脉冲信号计数。 定时器模式&…

【项目】云备份系统基础功能实现

目录 一.项目介绍1.云备份认识2.服务端程序负责功能与功能模块划分3.客户端程序负责功能与功能模块划分4.开发环境 二.环境搭建1.gcc升级7.3版本2.安装jsoncpp库3.下载bundle数据压缩库4.下载httplib库 三.第三方库认识1.json(1)json认识(2)jsoncpp认识(3)json实现序列化(4)jso…

Centos7安装Redis

1.背景 2.步骤 1.安装gcc依赖 检查是否已安装gcc gcc -v 上图表示已安装,如果没有安装执行如下命令 [rootlocalhost local]# yum install -y gcc 2.下载并解压安装包 [rootlocalhost local]# wget http://download.redis.io/releases/redis-5.0.3.tar.gz [rootlocalhost lo…

001 opencv addWeighted

目录 一、环境 二、addWeighted函数 三、代码演示 一、环境 本文使用环境为: Windows10Python 3.9.17opencv-python 4.8.0.74 二、addWeighted函数 OpenCV中的cv.addWeighted函数是一个用于图像叠加的函数,它可以将两个具有相同尺寸和类型的图像按…

本地新建vs工程运行c++17std::varant

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言一、pandas是什么?二、使用步骤 1.引入库2.读入数据总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:…

【C++】类和对象(5)--拷贝构造函数

目录 一 概念 二 拷贝构造函数特性 1. 重载形式 2. 参数原则 3 默认拷贝函数 三 拷贝构造函数的实现 一 概念 在创建对象时,可否创建一个与已存在对象一某一样的新对象呢? class Date { public:Date(int year 1900, int month 1, int day 1)/…

vscode的git 工具使用

vscode的git 工具使用 目录概述需求: 设计思路实现思路分析1.git 工具的使用2.提交代码3.查看历史提交代码 参考资料和推荐阅读 Survive by day and develop by night. talk for import biz , show your perfect code,full busy,skip hardness,make a be…

关于接口测试自动化的总结与思考!

序 近期看到阿里云性能测试 PTS 接口测试开启免费公测,本着以和大家交流如何实现高效的接口测试为出发点,本文包含了我在接口测试领域的一些方法和心得,希望大家一起讨论和分享,内容包括但不仅限于: 服务端接口测试介…

FPGA实现Avalon-MM接口通信

在Avalon总线协议(一)和Avalon总线协议(二)中大概了解Avalon总线的几种类型,目前比较常用到的就是Avalon-MM接口了,虽然在概念中有那么多的属性,但是具体使用起来还是非常简单的。 一、Avalon-…

【Mysql】关于数据库增删查改的一些在线OJ练习

🌈欢迎来到Python专栏 🙋🏾‍♀️作者介绍:前PLA队员 目前是一名普通本科大三的软件工程专业学生 🌏IP坐标:湖北武汉 🍉 目前技术栈:C/C、Linux系统编程、计算机网络、数据结构、Mys…

大数据-之LibrA数据库系统告警处理(ALM-12048 网络写包错误率超过阈值)

告警解释 系统每30秒周期性检测网络写包错误率,并把实际错误率和阈值(系统默认阈值0.5%)进行比较,当检测到网络写包错误率连续多次(默认值为5)超过阈值时产生该告警。 用户可通过“系统设置 > 阈值配置…

PLC和SCADA有什么区别?

让我们谈谈SCADA和HMI之间的区别。今天,我们将讨论它们的区别和相似之处,以及各自的用途。由于相似之处,通常会出现一些混淆。 现在让我们深入了解SCADA 。SCADA代表“监控和数据采集”。它们用于监视和控制大面积区域,通常是整个…

Vue3 使用教程

目录 一、创建vue3工程1. 使用vue-cli创建2.使用 vite 创建 二、setup使用三、ref函数四、reactive函数五、计算属性与监视属性5.1 computed函数5.2 watch函数5.3 watchEffect函数 六、自定义hook函数七、toRef函数八、shallowReactive 与 shallowRef九、readonly 与 shallowRe…

Vue23全局事件总线

Vue2&3全局事件总线 Vue2全局事件总线 功能:可以解决所有组件之间通信传数据的问题原理:通过一个共享对象,将所有组件全部绑定到对象上,即可通过这个对象实现组件与组件之间的传递数据,而这个共享对象叫做全局事件…

TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案

一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…

【JUC】八、阻塞队列

文章目录 1、阻塞队列概述2、阻塞队列分类3、 阻塞队列的四组核心方法4、Demo 队列,先进先出,类似排队栈,先进后出,用于要优先处理最近发生的事件的场景 1、阻塞队列概述 阻塞队列,一个生产消费模式,当&a…

数组相关面试题--5.合并两个有序数组

5. 合并两个有序数组 88. 合并两个有序数组 - 力扣(LeetCode) 解题思路:1. 从后往前遍历数组,将nums1和nums2中的元素逐个比较将较大的元素往nums1末尾进行搬移2. 第一步结束后,nums2中可能会有数据没有搬移完,将nums…

结合scss实现黑白主题切换

是看了袁老师的视频后,自己做了一下练习。原视频地址: b站地址https://www.bilibili.com/video/BV15z4y1N7jB/?spm_id_from333.1007.top_right_bar_window_history.content.click&vd_sourcec6cf63302f28d94ebc02cbedcecc57ea首先创建一个全局的scs…

Python的基础:模块(Modules)和包(Packages)详解

1. 模块(Modules) 一个模块是一个包含了 Python 定义和语句的文件。模块可以包括变量、函数、类等,并且提供了一种将相关代码组织成可重用单元的方式。一个模块的定义通常包括以下几个方面:   1)文件扩展名&#xff…

17. Series.dt.month-提取日期数据中的月份信息

【目录】 文章目录 17. Series.dt.month-提取日期数据中的月份信息1. 知识回顾-创建一个Series对象2. 知识回顾-pd.to_datetime()将数据转换为pandas中的日期时间格式3. 实例化类相关知识4. Series.dt.month是什么?5. 如何使用Series.dt.month?6. Series…