单个图像 python 中的非负矩阵分解

Question

我正在尝试将 NMF 应用于以灰度模式加载的特定图像。我已经尝试了几次link，但应用 NMF 后我的图像几乎保持不变，无法与最初加载的灰度图像区分开来。

然而，当我看到 scikit-learn 的关于在数据集上实现分解的代码时，我看到那里的人脸已经变成了鬼脸。这是 link:

http://scikit-learn.org/stable/auto_examples/decomposition/plot_faces_decomposition.html#sphx-glr-auto-examples-decomposition-plot-faces-decomposition-py

这是我使用的代码：

import cv2    
from sklearn import decomposition    
import matplotlib.pyplot as plt    

img = cv2.imread('test1.jpeg',0)    
estimator = decomposition.NMF(n_components = 2, init = 'nndsvda', tol = 5e-3)    
estimator.fit(img)    
vmax = max(img.max(), -img.min())    
plt.imshow(img, cmap=plt.cm.gray, interpolation = 'nearest',vmin=-vmax,vmax=vmax)    
plt.show()

我对矩阵上的 NMF 技术很陌生，尤其是在这么大的图像 numpy 数组上。
我的图像是 test1.jpeg 即 225 * 224 .jpeg 图像。

有人可以帮我实现单张图片的代码吗？非常感谢。

Answer 1

你在绘图中得到原始图像的原因是你实际绘制了原始图像。相反，您需要使用 estimator.

的输出

NMF 分解产生两个矩阵 W 和 H，它们构成了原始矩阵。你需要将它们相乘才能得到图像。

import cv2    
from sklearn import decomposition    
import matplotlib.pyplot as plt 
import numpy as np   

img = cv2.imread('data/trump2.jpg',0)  
vmax = max(img.max(), -img.min())

fig, (ax, ax2)  =plt.subplots(ncols=2)    
ax.imshow(img, cmap=plt.cm.gray, interpolation = 'nearest',vmin=-vmax,vmax=vmax)

n_components = 20

estimator = decomposition.NMF(n_components = n_components, init = 'random', tol=5e-3)    
W = estimator.fit_transform(img)
H = estimator.components_

new_img = np.dot(W,H)
ax2.imshow(new_img, cmap=plt.cm.gray,
                   interpolation='nearest',
                   vmin=-vmax, vmax=vmax)

plt.show()

单个图像 python 中的非负矩阵分解

Non negative matrix factorisation in python on individual images

python

numpy

matplotlib

scikit-learn

nmf