OpenCV—python 图像压缩

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/wsp_1138886114/article/details/100761284

一、简单的图像压缩

import cv2

'''
    ====图像压缩=====
    
    CV_INTER_NN - 最近邻插值,
    CV_INTER_LINEAR - 双线性插值 (缺省使用)
    CV_INTER_AREA - 使用像素关系重采样。当图像缩小时候，该方法可以避免波纹出现。当图像放大时，类似于 CV_INTER_NN 方法..
    CV_INTER_CUBIC - 立方插值.
'''


image=cv2.imread(r"C:\Users\xxx\Desktop\piaoju\0190819210415.png")
res = cv2.resize(image, (image.shape[1],image.shape[0]), interpolation=cv2.INTER_AREA)
cv2.imwrite(r"C:\Users\xxx\Desktop\piaoju\0190819210415_2.png",res)

# 使用一张1.2M的图片直接压缩至868KB。(保持原图片分辨率大小)

ImageEnhance模块：https://blog.csdn.net/icamera0/article/details/50753705

• ImageEnhance.Color(image) 颜色增强类：用于调整图像的颜色均衡
• ImageEnhance.Brightness(image) 亮度增强类：用于调整图像的亮度。
• ImageEnhance.Contrast(image) 对比度增强类：用于调整图像的对比度。

一张1.2M的图片依次先执行压缩（868KB），再提升对比度，再转成灰度图

from PIL import Image
from PIL import ImageEnhance
from PIL import ImageFilter
import cv2


image=cv2.imread(r"C:\Users\xxx\Desktop\piaoju\0190819210415.png")
res = cv2.resize(image, (image.shape[1],image.shape[0]), interpolation=cv2.INTER_AREA)
imgE = Image.fromarray(cv2.cvtColor(res,cv2.COLOR_BGR2RGB))
imgEH = ImageEnhance.Contrast(imgE)
# 当参数为1.2 灰度图243KB，当参数为2.8 灰度图124KB.（亮度提升后转灰度图，图片会黑白分化）
gray=imgEH.enhance(1.2).convert("L")
gray.save(r"C:\Users\xxx\Desktop\piaoju\0190819210415_4.png")


#图像增强
# 创建滤波器，使用不同的卷积核
gary2=gray.filter(ImageFilter.DETAIL)
gary2.save(r"C:\Users\xxx\Desktop\piaoju\0190819210415_5.png")

#图像点运算
gary3=gary2.point(lambda i:i*0.9)
gary3.save(r"C:\Users\xxx\Desktop\piaoju\0190819210415_6.png")

依次是原图，enhance(1.2)，enhance(2.8)的图片

二、基于机器学习的图像压缩方法

关于PCA降维，SVD理论详情：https://blog.csdn.net/wsp_1138886114/article/details/80967843

SVD图像压缩

import cv2
import numpy as np


def rebuild_img(u, sigma, v, p):  # p表示奇异值的百分比
    print('sigma.shape', sigma.shape)
    print('sum(sigma)', sum(sigma))
    m , n= len(u),len(v)
    a = np.zeros((m, n))         # 创建空图片

    count = (int)(sum(sigma))
    curSum = 0
    k = 0
    while curSum <= count * p:
        uk = u[:, k].reshape(m, 1)
        vk = v[k].reshape(1, n)
        a += sigma[k] * np.dot(uk, vk)
        curSum += sigma[k]
        k += 1
    print('==k===:', k)

    a[a < 0] = 0
    a[a > 255] = 255
    return np.rint(a).astype("uint8")


if __name__ == '__main__':
    img = cv2.imread(r'C:\Users\xxx\Desktop\piaoju\caiyao001.jpg')

    for p in np.arange(0.1, 1, 0.2):
        u, sigma, v = np.linalg.svd(img[:, :, 0])
        R = rebuild_img(u, sigma, v, p)

        u, sigma, v = np.linalg.svd(img[:, :, 1])
        G = rebuild_img(u, sigma, v, p)

        u, sigma, v = np.linalg.svd(img[:, :, 2])
        B = rebuild_img(u, sigma, v, p)

        I = np.stack((R, G, B), 2)
        cv2.imshow("svd_" + str(p * 100),I)
        cv2.imwrite("C:\\Users\\xxx\\Desktop\\piaoju\\svd_" + str(p * 100) + ".jpg", I)
    cv2.imshow("img" , img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

图片大小依次为：19.2KB，20.2KB，28.3KB，40.12KB，49.5KB，50.4KB（原图）

小结

奇异值分解能够有效的降低数据的维数，以本文的图片为例，从450维降到149维后，还保留了90%的信息
虽然奇异值分解很有效，但是不能滥用，一般情况下要求降维后信息的损失度不能超过5%，甚至是1%
Ng的视频中提到常见的错误使用降维的情况，在这里也贴出来：
使用降维解决过拟合问题
不论什么情况，先用降维处理一下数据，即把降维当做模型训练的必须步骤

PCA图像压缩

pca函数实现图像的降维
关于PCA理论详情请点击：https://blog.csdn.net/wsp_1138886114/article/details/80967843

import numpy as np
import cv2


def comp_2d(image_2d,rate):
    height,width = image_2d.shape[:2]

    # 执行下面这一行报错显示无法广播。我修改了dtype还是报错，不知道为何。
    # cov_mat = image_2d - np.mean(image_2d, axis=1) 。
    # print("data.type:", image_2d.astype(np.float64).dtype)
    # print("mean.type:", np.mean(image_2d, axis=1).dtype)
    #
    # print("data.shape:", image_2d.astype(np.float64).shape)
    # print("mean.shape:", np.mean(image_2d, axis=1).shape)

    # 我自己广播代码为如下三行代码
    mean_array = np.mean(image_2d, axis=1)
    mean_array = mean_array[:, np.newaxis]
    mean_array = np.tile(mean_array, width)

    cov_mat = image_2d.astype(np.float64) - mean_array
    eig_val, eig_vec = np.linalg.eigh(np.cov(cov_mat))  # 求特征值 特征向量
    p = np.size(eig_vec, axis=1)
    idx = np.argsort(eig_val)
    idx = idx[::-1]
    eig_vec = eig_vec[:, idx]
    numpc = rate
    if numpc < p or numpc > 0:
        eig_vec = eig_vec[:, range(numpc)]
    score = np.dot(eig_vec.T, cov_mat)
    recon = np.dot(eig_vec, score) + mean_array
    recon_img_mat = np.uint8(np.absolute(recon))
    return recon_img_mat

if __name__ == '__main__':
    data = cv2.imread(r'C:\Users\xxx\Desktop\piaoju\caiyao001.jpg')
    height, width = data.shape[:2]
    a_g = data[:, :, 0]
    a_b = data[:, :, 1]
    a_r = data[:, :, 2]
    rates = [30,60,90]  #主成分前30，60，90个k值
    for rate in rates:
        g_recon, b_recon, r_recon = comp_2d(a_g,rate), comp_2d(a_b,rate), comp_2d(a_r,rate)
        result = cv2.merge([g_recon, b_recon, r_recon])
        cv2.imshow('result_'+str(rate),result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

显然，k=30时就包含了矩阵的至少70%的信息含量，当k=90时就包含了矩阵的至少90%信息含量。
代码参考：https://github.com/NourozR/Reconstruction-and-Compression-of-Color-Images/blob/master。

三、基于K-means图像压缩

代码查看请点击：https://blog.csdn.net/wsp_1138886114/article/details/80893941

参考：
https://blog.csdn.net/HHTNAN/article/details/79711046
https://blog.csdn.net/wsp_1138886114/article/details/80893941
https://blog.csdn.net/wsp_1138886114/article/details/80967843
https://github.com/NourozR/Reconstruction-and-Compression-of-Color-Images/blob/master。