Thực hiện giảm chiều dữ liệu bằng PCA

pca_full = PCA().fit(x_scaled)
plt.figure(figsize=(8,6))
plt.plot(np.cumsum(pca_full.explained_variance_ratio_))
plt.xlabel('Số lượng thành phần chính')
plt.ylabel('Tổng phương sai giải thích')
plt.title('Biểu đồ Scree: Chọn số thành phần chính tối ưu')
plt.show()

Áp dụng PCA trước khi huấn luyện mô hình ML

PCA thường được sử dụng để giảm chiều dữ liệu trước khi huấn luyện các thuật toán ML. Ví dụ với Logistic Regression:

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Chia dữ liệu
X_train, X_test, y_train, y_test = train_test_split(principal_components, y, test_size=0.3, random_state=42)

# Huấn luyện Logistic Regression
clf = LogisticRegression()
clf.fit(X_train, y_train.ravel())

# Dự đoán và đánh giá
y_pred = clf.predict(X_test)
print("Độ chính xác:", accuracy_score(y_test, y_pred))

Giảm Chiều Dữ Liệu Từ Ảnh Bằng PCA

Khi làm việc với hình ảnh kỹ thuật số, một trong những thách thức lớn nhất là kích thước dữ liệu. Một bức ảnh độ phân giải cao có thể chứa hàng triệu pixel, mỗi pixel lại có nhiều giá trị màu khác nhau, dẫn đến kích thước file lớn. Giảm chiều dữ liệu (Dimensionality Reduction) giúp nén ảnh bằng cách loại bỏ thông tin dư thừa nhưng vẫn giữ lại những đặc trưng quan trọng.

Dữ liệu sử dụng để thực hành

Chúng ta sẽ sử dụng ảnh mẫu Lena – một ảnh kinh điển trong xử lý ảnh, hoặc bạn có thể tải bất kỳ bức ảnh nào từ máy tính của bạn.

📥 Link tải ảnh Lena (PNG): https://github.com/opencv/opencv/raw/master/samples/data/lena.jpg

Hãy tải ảnh này và upload vào Google Colab hoặc Jupyter Notebook để thực hành.

Cài đặt thư viện và chuẩn bị môi trường

Chúng ta sẽ sử dụng các thư viện: NumPy, Matplotlib để xử lý và hiển thị ảnh, Scikit-learn để thực hiện PCA.

!pip install numpy matplotlib scikit-learn opencv-python

Import các thư viện:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
import cv2

# Đọc ảnh
image = cv2.imread('lena.jpg')
# Chuyển từ BGR (OpenCV) sang RGB (Matplotlib)
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# Hiển thị ảnh
plt.figure(figsize=(6,6))
plt.imshow(image_rgb)
plt.title('Ảnh gốc')
plt.axis('off')
plt.show()

print("Kích thước ảnh:", image_rgb.shape)

image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

plt.figure(figsize=(6,6))
plt.imshow(image_gray, cmap='gray')
plt.title('Ảnh xám')
plt.axis('off')
plt.show()

# Áp dụng PCA
pca = PCA(0.95)  # Giữ lại 95% phương sai
image_pca = pca.fit_transform(image_gray)

print("Số thành phần chính giữ lại:", pca.n_components_)

image_reconstructed = pca.inverse_transform(image_pca)

plt.figure(figsize=(6,6))
plt.imshow(image_reconstructed, cmap='gray')
plt.title('Ảnh tái tạo sau PCA')
plt.axis('off')
plt.show()

fig, ax = plt.subplots(1,2, figsize=(12,6))

ax[0].imshow(image_gray, cmap='gray')
ax[0].set_title('Ảnh gốc')
ax[0].axis('off')

ax[1].imshow(image_reconstructed, cmap='gray')
ax[1].set_title('Ảnh nén (PCA)')
ax[1].axis('off')

plt.show()

original_size = image_gray.size
compressed_size = pca.n_components_ * (image_gray.shape[0] + image_gray.shape[1])

compression_ratio = compressed_size / original_size
print(f"Tỷ lệ nén: {compression_ratio:.2f}")

def pca_color_image(image, variance_ratio=0.95):
    channels = []
    for i in range(3):  # RGB
        channel = image[:, :, i]
        pca = PCA(variance_ratio)
        transformed = pca.fit_transform(channel)
        reconstructed = pca.inverse_transform(transformed)
        channels.append(reconstructed)
    return np.stack(channels, axis=2).astype(np.uint8)

image_rgb_pca = pca_color_image(image_rgb, 0.95)

plt.figure(figsize=(6,6))
plt.imshow(image_rgb_pca)
plt.title('Ảnh màu nén bằng PCA (95% phương sai)')
plt.axis('off')
plt.show()

for variance in [0.99, 0.95, 0.90, 0.80]:
    image_pca = pca_color_image(image_rgb, variance)
    plt.figure(figsize=(6,6))
    plt.imshow(image_pca)
    plt.title(f'Ảnh màu nén với {int(variance*100)}% phương sai')
    plt.axis('off')
    plt.show()

Kết luận

Bạn vừa học cách sử dụng PCA để giảm chiều dữ liệu từ ảnh, qua đó thực hiện nén ảnh hiệu quả mà vẫn giữ được phần lớn chất lượng hình ảnh. Đây là một ứng dụng thực tế của PCA trong xử lý ảnh, đồng thời giúp bạn hiểu sâu hơn về cách PCA trích xuất thông tin quan trọng nhất từ dữ liệu đa chiều.

Bạn có thể mở rộng kỹ thuật này để xử lý video, nơi từng frame được nén bằng PCA, hoặc kết hợp với các thuật toán nén ảnh tiên tiến khác để đạt tỷ lệ nén cao hơn.