基于奇异值分解的图像压缩与除噪

一、本报告所用的一些基本原理

第一，虑噪过程。

巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。在振幅的对数对角频率的波得图上，从某一边界角频率开始，振幅随着角频率的增加而逐步减少，趋向负无穷大。

本程序通过不断调整通带截止频率、阻带下限截止频率、通带衰减及阻带衰减，力图使滤噪后的图像逼近未加噪图像。

 

第二，图像压缩思路。

图像信息的数据量非常的大，随着各种成像设备的分辨率不断提高，单幅图像所包含的数据量也越来越大，大数据量的图像信息会给存储器的存储容量、通信信道的带宽以及计算机的处理速度增加极大的压力。为了解决这个问题，必须对图像进行压缩处理

在本次数值分析的图像压缩课程模拟实践当中，原图是一个2000*3000的一个矩阵，这里就是一个10^6的一个很大的数据量，我们就要想办法在保证图像质量的前提下，尽可能的压缩图像，在实践当中分别选择了1/10、1/100、1/1000、1/10000进行练习。

我们小组在压缩实践中主要运用的思路是基于SVD算法的图像压缩，在进行1/10的压缩时，我们对2000*3000的矩阵进行20*30的分块，每一小块为一个100*100的矩阵，进行奇异值分解时，我们只选取了前5个奇异值，这样在传输过程中的数据量仅为K=100*5+5*5+5*100=1025，K/（100*100）近似等于1/10，这样在图像的传输过程中，就只需对U（:,1:5)、S(1:5,1:5)、V(:,1:5)'三个矩阵的数据进行传输，而不必在传输以前的矩阵数据，数据接收方只需对这三个矩阵进行处理，即可得到压缩了1/10后的图像。

在进行1/100的压缩时，对滤波后的图像矩阵整体进行奇异值分解，这一次取前12个奇异值，这样的数据量K=2000*12+12*12+12*3000=60144，K/(2000*3000)近似于1/100。

这样的思路在进行1/1000及更高比例的压缩时遇到了问题，因为要进行1/1000的压缩，只能取1个奇异值左后才能够满足压缩要求，但是这样压缩之后的图像却严重的失真了，原因当然是清楚的，对于2000个奇异值只取最大的1个奇异值，图像的很多东西就被丢弃了，这样图像压缩遇到了瓶颈，不得不停滞下来思考其他方法；经过小组成员之间的讨论和与其他小组的交流中，有了新的思路，先将2000*3000的滤波后矩阵进行200*300的分块，每一小块有100个数据，通过c=mean（CB（:))函数对每一小块的矩阵进行均值化处理，这样一个10*10的矩阵变成了一个均值c，再通过新矩阵赋值CD(i,j)=c,最后一个2000*3000的矩阵通过均值化处理再赋值变成了200*300的矩阵，在保持了图像的基本质量中图像已经压缩了1/100，后面只需对这200*300的矩阵压缩1/10即可达到压缩1/1000的要求，在显示回图像的过程中&#x