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。我尝试了几个链接，但我的图像应用后，NMF几乎保持不变，无法区分与灰度图像最初加载。

然而，当我看到关于在dataset上实现分解的scikit的代码时，我看到那里的脸已经被转换成类似幽灵的面孔。以下是链接：

decomposition.html#sphx-glr-auto-examples-decomposition-plot-faces-decomposition-py

下面是我使用的代码：

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，尤其是这样一个大的图像数字阵列。

我的图像是test1.jpeg，即225 * 224 .jpeg映像。

有人能帮我实现单个图像的代码吗？提前谢谢。

Answer 1

你在图中得到原始图像的原因是你实际上绘制了原始图像。相反，您需要处理estimator的输出。

NMF分解产生两个矩阵W和H，组成原始矩阵。你需要把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()

​

​