人脸补全

最新推荐文章于 2023-09-07 20:34:01 发布

宅神kin

最新推荐文章于 2023-09-07 20:34:01 发布

阅读量1.9k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： # python-机器学习文章标签：机器学习人脸补全

本文链接：https://blog.csdn.net/weixin_42042680/article/details/80805839

python-机器学习专栏收录该内容

5 篇文章

订阅专栏

本文通过使用多种机器学习算法预测人脸的下半部分来实现人脸补全，并对比不同算法的效果。实验采用40人的数据集，每人10张图片，通过训练上半脸预测下半脸，最终展示预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

人脸补全

需求：

根据人的上半边脸预测下半边脸，用各种算法取得的结果与原图比较

思考：

这是一个回归问题，不是分类问题（人脸数据不固定）
数据集一共包含40个人，每一个人10张照片，分布规律
每一个人取出8张照片作为训练数据，2张照片作为测试数据
样本特征和样本标签如何拆分？上半边脸作为样本特征，下半边脸作为特征标签

效果图

导包

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
%matplotlib inline

from sklearn.datasets import fetch_olivetti_faces
from sklearn.neighbors import KNeighborsRegressor
from sklearn.linear_model import LinearRegression,Ridge,Lasso

处理数据

faces = fetch_olivetti_faces()
data = faces.data
images = faces.images
target = faces.target

X_train = []
y_train = []
X_test = []
y_test = []

for i in range(40):
    for j in range(10):
        face_data = data[i*10+j]
        up_face = face_data[:2048]
        bottom_face = face_data[2048:]
        if j < 8:
            X_train.append(up_face)
            y_train.append(bottom_face)
        else:
            X_test.append(up_face)
            y_test.append(bottom_face)

训练数据

knn = KNeighborsRegressor()
linear = LinearRegression()
ridge = Ridge()
lasso = Lasso()

knn.fit(X_train,y_train)
linear.fit(X_train,y_train)
ridge.fit(X_train,y_train)
lasso.fit(X_train,y_train)

预测数据

y_ = knn.predict(X_test)
line_y_ = linear.predict(X_test)
ridge_y_ = ridge.predict(X_test)
lasso_y_ = lasso.predict(X_test)

# 把所有的预测结果保存的一个列表
pre_results = [y_,line_y_,ridge_y_,lasso_y_]
titles = ['True','KNN','Linear','Ridge','Lasso']

绘图

# 画布
plt.figure(figsize=(10,10))
for i in range(5):
    # 先取出真实的脸
    true_up_face = X_test[i].reshape(32,64)
    true_bottom_face = y_test[i].reshape(32,64)
    true_face = np.concatenate((true_up_face,true_bottom_face),axis=0)
    axes = plt.subplot(5,5,5*i+1)
    axes.set_title(titles[0])
    axes.axis('off')
    plt.imshow(true_face,cmap='gray')
    for index,y_ in enumerate(pre_results):
        # 获取到每一种算法模型预测出的下半边脸的数据
        pre_bottom_face = y_[i].reshape(32,64)
        pre_face = np.concatenate((true_up_face,pre_bottom_face),axis=0)
        axes = plt.subplot(5,5,5*i+index+2)
        axes.set_title(titles[index+1])
        axes.axis('off')
        plt.imshow(pre_face,cmap='gray')