keras中的zca_whtening白化处理

最新推荐文章于 2023-02-17 21:11:49 发布

Kun Li

最新推荐文章于 2023-02-17 21:11:49 发布

阅读量3.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度机器学习组件

本文链接：https://blog.youkuaiyun.com/u012193416/article/details/79369512

深度机器学习组件专栏收录该内容

47 篇文章

订阅专栏

本文介绍了白化算法在图像预处理中的应用，通过去除输入数据的冗余信息，提高特征间的独立性并标准化特征方差。以高光谱遥感影像为例，详细解释了如何利用PCA进行特征空间转换，并通过Python代码示例展示了白化处理的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

白化：是一个比PCA稍微高级一点的算法。白化的目的就是去除输入数据中的冗余信息，假设训练数据是图像，由于图像中相邻的像素之间有很强的相关性，所以用于训练时输入是冗余的，白化的目的就是降低输入的冗余性。

其实从高光谱遥感影像的角度上，可能是可以一试的预处理。

输入数据集X，经过白化之后：

1.特征之间相关性较低。

2.所有特征具有相同的方差。

PCA作为降维算法，一般通过求出原数据的特征向量，再把原数据映射到特征向量空间内，实现了特征之间的低相关性。实现白化的第一步就是PCA，求出新特征空间中的X的坐标，在对新坐标进行方差归一化操作。

举个例子：

白化之后：

代码：

import matplotlib.pyplot as  plt
import glob
from PIL import Image
from keras.preprocessing import image
import numpy as np

path = 'train/'
gen_path = 'result/'

def print_result(path):
    name_list = glob.glob(path)
    fig = plt.figure()
    for i in range(9):
        img = Image.open(name_list[i])
        # add_subplot(331) 参数一：子图总行数，参数二：子图总列数，参数三：子图位置
        sub_img = fig.add_subplot(331 + i)
        sub_img.imshow(img)
    plt.show()
    return fig

datagen = image.ImageDataGenerator(zca_whitening=True)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(path, batch_size=1, class_mode=None, shuffle=True, target_size=(36, 36))
np_data = np.concatenate([data.next() for i in range(1)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(path, batch_size=1, shuffle=False, save_to_dir=gen_path + '3', save_prefix='gen',
                                       target_size=(36, 36))

for i in range(9):
    gen_data.next()

fig = print_result(gen_path + '3/*')

fig.savefig(gen_path + '3/zcawhtening.png', dpi=200)