python实现基于区域二元线性回归模型进行图像恢复源码+项目说明（人工智能期末作业）.7z

# -*- coding: utf-8 -*- from matplotlib import pyplot as plt import numpy as np import cv2 # opencv库 from sklearn.linear_model import LinearRegression, Ridge, Lasso # 回归分析 def read_image(img_path): """ 读取图片，图片是以 np.array 类型存储 :param img_path: 图片的路径以及名称 :return: img np.array 类型存储 """ # 读取图片 img = cv2.imread(img_path) # 如果图片是三通道，采用 matplotlib 展示图像时需要先转换通道 if len(img.shape) == 3: img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) return img def plot_image(image, image_title, is_axis=False): """ 展示图像 :param image: 展示的图像，一般是 np.array 类型 :param image_title: 展示图像的名称 :param is_axis: 是否需要关闭坐标轴，默认展示坐标轴 :return: """ # 展示图片 plt.imshow(image) # 关闭坐标轴,默认关闭 if not is_axis: plt.axis('off') # 展示受损图片的名称 plt.title(image_title) # 展示图片 plt.show() def save_image(filename, image): """ 将np.ndarray 图像矩阵保存为一张 png 或 jpg 等格式的图片 :param filename: 图片保存路径及图片名称和格式 :param image: 图像矩阵，一般为np.array :return: """ # np.copy() 函数创建一个副本。 # 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。 img = np.copy(image) # 从给定数组的形状中删除一维的条目f img = img.squeeze() # 将图片数据存储类型改为 np.uint8 if img.dtype == np.double: # 若img数据存储类型是 np.double ,则转化为 np.uint8 形式 img = img * np.iinfo(np.uint8).max # 转换图片数组数据类型 img = img.astype(np.uint8) img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) # 生成图片 cv2.imwrite(filename, img) def normalization(image): """ 将数据线性归一化 :param image: 图片矩阵，一般是np.array 类型 :return: 将归一化后的数据，在（0,1）之间 """ # 获取图片数据类型对象的最大值和最小值 info = np.iinfo(image.dtype) # 图像数组数据放缩在 0-1 之间 return image.astype(np.double) / info.max def noise_mask_image(img, noise_ratio): """ 根据题目要求生成受损图片 :param img: 图像矩阵，一般为 np.ndarray :param noise_ratio: 噪声比率，可能值是0.4/0.6/0.8 :return: noise_img 受损图片, 图像矩阵值 0-1 之间，数据类型为 np.array, 数据类型对象 (dtype): np.double, 图像形状:(height,width,channel),通道(channel) 顺序为RGB """ # 受损图片初始化 noise_img = None # -------------实现受损图像答题区域----------------- row, col = img.shape[0], img.shape[1] rgb = [None, None, None] # rgb for i in range(3): # 构造其中一个通道的噪声图 for j in range(row): if rgb[i] is None: rgb[i] = np.random.choice(2, (1, col), p=[noise_ratio, 1-noise_ratio]) else: a = np.random.choice(2, (1, col), p=[noise_ratio, 1-noise_ratio]) rgb[i] = np.concatenate((rgb[i], a), axis=0) # 扩展 shape for i in range(3): rgb[i] = rgb[i][:, :, np.newaxis] # 合并 rst = np.concatenate((rgb[0], rgb[1], rgb[2]), axis=2) noise_img = rst * img # ----------------------------------------------- return noise_img def get_noise_mask(noise_img): """ 获取噪声图像，一般为 np.array :param noise_img: 带有噪声的图片 :return: 噪声图像矩阵 """ # 将图片数据矩阵只包含 0和1,如果不能等于 0 则就是 1。 return np.array(noise_img != 0, dtype='double') def compute_error(res_img, img): """ 计算恢复图像 res_img 与原始图像 img 的 2-范数 :param res_img:恢复图像 :param img:原始图像 :return: 恢复图像 res_img 与原始图像 img 的2-范数 """ # 初始化 error = 0.0 # 将图像矩阵转换成为np.narray res_img = np.array(res_img) img = np.array(img) # 如果2个图像的形状不一致，则打印出错误结果，返回值为 None if res_img.shape != img.shape: print("shape error res_img.shape and img.shape %s != %s" % (res_img.shape, img.shape)) return None # 计算图像矩阵之间的评估误差 error = np.sqrt(np.sum(np.power(res_img - img, 2))) return round(error,3) def restore_image(noise_img, size=4): """ 使用 区域二元线性回归模型 进行图像恢复。 :param noise_img: 一个受损的图像 :param size: 输入区域半径，长宽是以 size*size 方形区域获取区域, 默认是 4 :return: res_img 恢复后的图片，图像矩阵值 0-1 之间，数据类型为 np.array, 数据类型对象 (dtype): np.double, 图像形状:(height,width,channel), 通道(channel) 顺序为RGB """ # 恢复图片初始化，首先 copy 受损图片，然后预测噪声点的坐标后作为返回值。 res_img = np.copy(noise_img) # 获取噪声图像 noise_mask = get_noise_mask(noise_img) # -------------实现图像恢复代码答题区域---------------------------- rows, cols, channel = res_img.shape region = 10 # 10 * 10 row_cnt = rows // region col_cnt = cols // region for chan in range(channel): for rn in range(row_cnt + 1): ibase = rn * region if rn == row_cnt: ibase = rows - region for cn in range(col_cnt + 1): jbase = cn * region if cn == col_cnt: jbase = cols - region x_train = [] y_train = [] x_test = [] for i in range(ibase, ibase+region): for j in range(jbase, jbase+region): if noise_mask[i, j, chan] == 0: # 噪音点 x_test.append([i, j]) continue x_train.append([i, j]) y_train.append([res_img[i, j, chan]]) if x_train == []: print("x_train is None") continue reg = LinearRegression() reg.fit(x_train, y_train) pred = reg.predict(x_test) for i in range(len(x_test)): res_img[x_test[i][0], x_test[i][1], chan] = pred[i][0] res_img[res_img > 1.0] = 1.0 res_img[res_img < 0.0] = 0.0 # --------------------------------------------------------------- return res_img if __name__ == "__main__": img_path = 'A.png' img = read_image(img_path) noise_ratio = 0.8 nor_img = normalization(img) print(nor_img.shape) # 生成受损图片 noise_img = noise_mask_image(nor_img, noise_ratio) # 恢复图片 res_img = restore_image(noise_img) print("噪声图和原图之间的误差: {}".format(compute_error(noise_img, nor_img))) print("恢复图和原图之前的误差: {}".format(compute_error(res_img, nor_img))) # 展示恢复图片 # plot_image(image=res_img, image_title="restore image") # 保存恢复图片 save_image('res_' + img_path, nor_img)