Python 如何将PCA应用于图像

我有一个灰度噪声图像。我想应用PCA进行降噪，并在应用后查看输出

以下是我试图做的：

[in]：

从sklearn.dataset导入加载样本图像
从sklearn.feature_提取导入图像
从sklearn.decomposition导入PCA
#创建大小为25 x 25的面片，并从所有面片创建矩阵
斑块=图像。提取斑块\u 2d（灰度图像，（25,25），随机状态=42）
打印（补丁。形状）
#重塑面片，因为应用fit_变换时出错（ValueError:FoundValueError:Find array with dim 3.预计估计器为了查看去噪图像，您需要将使用主分量表示的低维数据转换回原始空间。为此，您可以使用
逆变换（）
函数。从文档中可以看到，此函数将接受投影数据并返回一个与原始图像类似的数组。因此，您可以执行以下操作：

denoised_image = pca.inverse_transform(projected)
# then view denoised_image

编辑：

以下是一些需要关注的问题：

您的原始图像中有大小为
（25,25）
的
53824
补丁。要重塑数据并将其传递给PCA，正如您从文档中看到的，您需要传递一个大小为
（n个样本，n个特征）
的数组。样本数为53824。因此重塑的补丁应为：
现在，您使用此重塑数据，并使用PCA和逆变换对其进行变换，以获得原始域中的数据。完成此操作后，您的
去噪\u图像
是一组重建的面片。您需要使用函数
image组合这些面片以获得图像。从面片重建\u 2d
是文档你可以这样做
现在，您可以查看
去噪图像
，它应该看起来像
灰度图像
有没有办法查看投影图像中的特征向量？是在进行逆变换之前还是之后进行？您可以将特征向量重塑为图像大小（h，w）然后显示它们，在人脸检测的情况下称为特征脸。但是这些图像看起来不像自然图像。你可以做的另一件事是只对感兴趣的特征向量进行逆变换，看看解释了多少方差，或者看到了重建误差。这样做时，我得到的是一条线，而不是一张图像逆变换。我所做的是在问题的末尾添加了你的代码行。然后用imshow（去噪图像）显示图像。当你显示
经过整形的面片时，你会得到什么？你基本上是在重建这些数据。
patches_reshaped = patches.reshape(patches.shape[0],-1)
# this should return a (53824, 625) shaped data

denoised_image = image.reconstruct_from_patches_2d(denoised_image.reshape(-1,25,25), grayscale_image.shape)