Контрольная работа Дисциплина: Нейросетевые технологии

Код:

library(imager)
library(gcookbook)
image_name = 'C:/Users/k.dzhigante/Documents/EDO/scripts/popugay.jpg'
im <- load.image(image_name)
x <- grayscale(im)
plot(x)

image_data = as.matrix(x)

data.svd = svd(image_data)
d = diag(data.svd$d)
dim(d)

# singular value spectrum

U = data.svd$u
V = data.svd$v

par(mfrow=c(2,2))

for(k in c(5,20,50,250)) # task 1
{
us <- as.matrix(U[, 1:k])
vs <- as.matrix(V[, 1:k])
ds <- as.matrix(d[1:k, 1:k])
ls <- us %*% ds %*% t(vs)
lsg <- as.cimg(ls)
plot(lsg)
imager::save.image(lsg,paste("compressed/",k,".jpg"))
}

original <- file.info(image_name)$size / 1000

imgs <- dir('compressed/')

for (i in imgs) {

full.path <- paste('compressed/', i, sep='')
print(full.path)
print(paste(i, ' size: ', file.info(full.path)$size / 1000, ' original: ', original, ' % diff: ', round((file.info(full.path)$size / 1000 - original) / original, 2) * 100, '%', sep = ''))
}

Заключение

В данном задании были получены практические навыки в работе с алгоритмами понижения размерности PCA и SVD на примере задачи сжатия изображения. Приведённые результаты свидетельствуют, что в случае выбора количества главных компонент порядка 100 можно получить изображение, которое визуально не будет отличаться от оригинала, но будет использовать меньшее количество информации для этого и соответственно занимать меньше места.

Список использованных источников

1. 
   Филиппов Ф.В., Технологии обработки информации, методическое пособие для курсовой работы, СПб., 2021. – 27
   
2. 
   Метод главных компонент (примеры на R) http://math-info.hse.ru/f/2015-16/ling-magquant/lecture-pca.html
   
3. 
   Метод главных компонент https://rcs.chemometrics.ru/old/Tutorials/pca.htm
   
4. 
   Метод главных компонент: введение (примеры на R) https://rpubs.com/AllaT/pca-intro
   
5. 
   Как уменьшить количество измерений и извлечь из этого пользу (SVD примеры на R) https://habr.com/ru/post/275273