机器学习——图片处理应用（人脸补全）

0、前言：本文内容是机器学习算法回归预测的应用，其中数据集主要来自sklearn库自带的人脸数据，目的是通过KNN回归、线性回归、岭回归算法通过人物的左半张脸预测人物的右半张脸。

意义1：通过该项目掌握图片数据在机器学习当中的处理方法
意义2：通过该项目可以掌握多个机器学习算法模型对比实验的应用方法

1、原始数据获取：

0、数据准备（这一步的目的是直接将数据保存在本地，后面调用的时候如果本地有就不会下载了，因为下载有时候会因为网络问题报错）

链接：https://pan.baidu.com/s/1c1ZlwCUF_eEzTl4vDOXstA

提取码：1234
1、数据下载

python 复制代码

# 导入机器学习三剑客
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 导入数据集
from sklearn.datasets import fetch_olivetti_faces

# fetch_olivetti_faces()函数首先会去用户根目录找，如果找不到，就会去下载，这个函数不光加载数据，也会将数据进行整合处理
# 但是国内经常下载失败，解决方案就是有下载好的文件，放到对应路径（C:\Users\"你的用户名"）向下。
faces = fetch_olivetti_faces()
display(faces['data'].shape,faces['images'].shape,faces['target'].shape)
'''
(400, 4096)
(400, 64, 64)
(400,)
'''

2、数据概览：数据导入后其实是一个字典，其中data键对应的值是人脸图片的二维数据，images对应的数据是人脸图片的三维数据，target代表图片属于第几个人（用来识别人物的）,一共有400个人物。
- data数据
3、数据处理

python 复制代码

# 显示一张图片
data = faces['data']
# 通过data显示图片
plt.imshow(data[0].reshape(64,-1),cmap='gray') # cmap='gray' 是一个用于指定色彩映射（colormap）的关键字参数
# 通过images显示图片
images = faces['images']
plt.imshow(images[1],cmap='gray')

2、根据左边人脸补全右边人脸：

首先把左边人脸数据和右边人脸数据分开，然后左边人脸作为输入数据，右边人脸作为输出数据（预测数据）
理解图片数据：如果图片数据构成了一个二维数据，如下图，构成其每个像素点的数据组成了二维数组被存在在了images中
将数据拆分为为输入数据和输出数据

python 复制代码

# 左半张人脸数据集
l_face = []
for i in range(400):
    a = data[0].reshape(64,64)
    l_face.append(a[:,:33].reshape(-1))
# plt.imshow(l_face[0].reshape(64,-1),cmap='gray') # 验证数据采集结果
# 右半张人脸数据集
r_face = []
for i in range(400):
    a = data[i].reshape(64,64)
    r_face.append(a[:,33:].reshape(-1))
# plt.imshow(r_face[0].reshape(64,-1),cmap='gray') # 验证数据采集结果  

# 左边作为输入，右边作为输出
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(l_face,r_face,test_size=0.1)

数据预测

python 复制代码

# 导入KNN，线性回归，岭回归，获得每一种模型对应的预测值
from sklearn.neighbors import KNeighborsRegressor
from sklearn.linear_model import LinearRegression,Ridge

pred_dict = {}
model = {
    'knn':KNeighborsRegressor(),
    'line':LinearRegression(),
    'Ridge':Ridge()
}

for key,val in model.items():
    m = val.fit(x_train,y_train)
    y_pred = m.predict(x_test)
    pred_dict[key] = y_pred

获得y_pred
画图

python 复制代码

# 获得了所有模型的预测数据y_pred,下一步画图
# 画图要求：一行表示一个人，分别是真实图片，Ridge预测图、Linear regression预测图、K-nn预测图

# 画布设计为5行4列
plt.figure(figsize=(4*2,5*2))

for i in range(5):
    # 获得测试数据中第i个人真实人脸左半部分
    l_tface = x_test[i]
    # 获得测试数据中第i个人真实人脸右半部分
    r_tface = y_test[i]
    # 合并
    # np.concatenate((array1, array2,..), axis=1)是使用numpy库的concatenate函数将多个数组沿着指定的轴（axis）拼接，axis等于0是上下拼接，等于1是左右拼接。
    rall_face = np.concatenate((l_tface.reshape(64,-1),r_tface.reshape(64,-1)),axis=1)
#     plt.imshow(rall_face,cmap='gray') # 验证组合成功
    # 画每行第一个图
    displt = plt.subplot(5,4,i*4+1)
    displt.imshow(rall_face,cmap='gray')
    displt.axis('off')
    if i == 0:
        displt.set_title('real_image')
    for j,key in enumerate(pred_dict):
        # 获取三个模型预测结果的组合
        M_r_face = pred_dict[key][i].reshape(64,-1)
        M_all_face = np.concatenate((l_tface.reshape(64,-1),M_r_face),axis=1)
#         plt.imshow(M_all_face,cmap='gray') # 验证
        # 画一层的图像
        displt = plt.subplot(5,4,i*4+j+2)
        displt.imshow(M_all_face,cmap='gray')
        displt.axis('off')
        if i == 0:
            displt.set_title(f'{key}_image')

结果展示

3、总结：

在处理图片时会遇到数组的拆分与合并，一般数组拆分只需要将数组切片即可，数组合并有时候需要合并列，有时候需要合并行，这就要用到一个非常关键的numpy里面的方法concatenate()。这个方法使用介绍如下：

python 复制代码

import numpy as np  
  
a = np.array([[1, 2], [3, 4]])  
b = np.array([[5, 6], [7, 8]])  
  
# 沿着第二个维度（即轴=1）将两个数组堆叠在一起  
result = np.concatenate((a, b), axis=1)  
print(result)  
'''
[[1 2 5 6]
 [3 4 7 8]]
'''
# 沿着第二个维度（即轴=1）将两个数组堆叠在一起  
result = np.concatenate((a, b), axis=0)  
print(result)  
'''
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
'''