Sklearn实现人脸补全的方法有哪些

这篇文章主要介绍“Sklearn实现人脸补全的方法有哪些”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“Sklearn实现人脸补全的方法有哪些”文章能帮助大家解决问题。

1 导入需要的类库

import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression,Ridge,Lassofrom sklearn.tree import DecisionTreeRegressorfrom sklearn.neighbors import KNeighborsRegressorfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestRegressorimport numpy as np

2拉取数据集

faces=datasets.fetch_olivetti_faces()images=faces.imagesdisplay(images.shape) index=np.random.randint(0,400,size=1)[0] img=images[index]plt.figure(figsize=(3,3))plt.imshow(img,cmap=plt.cm.gray)

3 处理图片数据（将人脸图片分为上下两部分）

index=np.random.randint(0,400,size=1)[0]up_face=images[:,:32,:]down_face=images[:,32:,:] axes=plt.subplot(1,3,1)axes.imshow(up_face[index],cmap=plt.cm.gray)axes=plt.subplot(1,3,2)axes.imshow(down_face[index],cmap=plt.cm.gray)axes=plt.subplot(1,3,3)axes.imshow(images[index],cmap=plt.cm.gray)

4 创建模型 

X=faces.data x=X[:,:2048]y=X[:,2048:] estimators={} estimators['linear']=LinearRegression()estimators['ridge']=Ridge(alpha=0.1)estimators['lasso']=Lasso(alpha=1)estimators['knn']=KNeighborsRegressor(n_neighbors=5)estimators['tree']=DecisionTreeRegressor()estimators['forest']=RandomForestRegressor()

5 训练数据

x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)result={}printfor key,model in estimators.items():    print(key)    model.fit(x_train,y_train)    y_=model.predict(x_test)    result[key]=y_

6展示测试结果

plt.figure(figsize=(40,40))for i in range(0,10):    #第一列，上半张人脸    axes=plt.subplot(10,8,8*i+1)    up_face=x_test[i].reshape(32,64)    axes.imshow(up_face,cmap=plt.cm.gray)    axes.axis('off')    if i==0:        axes.set_title('up-face')        #第8列，整张人脸        axes=plt.subplot(10,8,8*i+8)    down_face=y_test[i].reshape(32,64)    full_face=np.concatenate([up_face,down_face])    axes.imshow(full_face,cmap=plt.cm.gray)    axes.axis('off')        if i==0:        axes.set_title('full-face')        #绘制预测人脸    for j,key in enumerate(result):        axes=plt.subplot(10,8,i*8+2+j)        y_=result[key]        predice_face=y_[i].reshape(32,64)        pre_face=np.concatenate([up_face,predice_face])        axes.imshow(pre_face,cmap=plt.cm.gray)        axes.axis('off')        if i==0:            axes.set_title(key)

全部代码

import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression,Ridge,Lassofrom sklearn.tree import DecisionTreeRegressorfrom sklearn.neighbors import KNeighborsRegressorfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestRegressorimport numpy as np faces=datasets.fetch_olivetti_faces()images=faces.imagesdisplay(images.shape) index=np.random.randint(0,400,size=1)[0] img=images[index]plt.figure(figsize=(3,3))plt.imshow(img,cmap=plt.cm.gray) index=np.random.randint(0,400,size=1)[0]up_face=images[:,:32,:]down_face=images[:,32:,:] axes=plt.subplot(1,3,1)axes.imshow(up_face[index],cmap=plt.cm.gray)axes=plt.subplot(1,3,2)axes.imshow(down_face[index],cmap=plt.cm.gray)axes=plt.subplot(1,3,3)axes.imshow(images[index],cmap=plt.cm.gray) X=faces.data x=X[:,:2048]y=X[:,2048:] estimators={} estimators['linear']=LinearRegression()estimators['ridge']=Ridge(alpha=0.1)estimators['lasso']=Lasso(alpha=1)estimators['knn']=KNeighborsRegressor(n_neighbors=5)estimators['tree']=DecisionTreeRegressor()estimators['forest']=RandomForestRegressor()x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)result={}printfor key,model in estimators.items():    print(key)    model.fit(x_train,y_train)    y_=model.predict(x_test)    result[key]=y_ plt.figure(figsize=(40,40))for i in range(0,10):    #第一列，上半张人脸    axes=plt.subplot(10,8,8*i+1)    up_face=x_test[i].reshape(32,64)    axes.imshow(up_face,cmap=plt.cm.gray)    axes.axis('off')    if i==0:        axes.set_title('up-face')        #第8列，整张人脸        axes=plt.subplot(10,8,8*i+8)    down_face=y_test[i].reshape(32,64)    full_face=np.concatenate([up_face,down_face])    axes.imshow(full_face,cmap=plt.cm.gray)    axes.axis('off')        if i==0:        axes.set_title('full-face')        #绘制预测人脸    for j,key in enumerate(result):        axes=plt.subplot(10,8,i*8+2+j)        y_=result[key]        predice_face=y_[i].reshape(32,64)        pre_face=np.concatenate([up_face,predice_face])        axes.imshow(pre_face,cmap=plt.cm.gray)        axes.axis('off')        if i==0:            axes.set_title(key)

关于“Sklearn实现人脸补全的方法有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。