SVD的实现及代码详解

 

目录

 一、奇异值分解

二、SVD在图像压缩中的应用

三.代码示例：使用SVD对图像进行压缩

四、代码结果

---

一、奇异值分解

奇异值分解（SVD）是一种矩阵分解技术，可以将一个矩阵分解为三个矩阵的乘积。该原理在信号处理、图像处理、数据压缩等领域有着广泛的应用。

二、SVD在图像压缩中的应用

图像压缩是通过减少图像数据的冗余信息来减小图像文件的大小，以节省存储空间和加快传输速度。SVD可以帮助我们实现图像的压缩和重构，具体步骤如下：

1. 对图像矩阵进行奇异值分解，得到左奇异矩阵、奇异值和右奇异矩阵。

2. 保留部分奇异值，将其他奇异值置零，得到一个截断的奇异值矩阵。

3. 将截断后的奇异值矩阵与左右奇异矩阵相乘，得到压缩后的图像矩阵。

4. 根据压缩后的图像矩阵重构图像，实现图像的压缩和重构。

三.代码示例：使用SVD对图像进行压缩

#导库
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

def pic_compress(k, pic_array): #定义一个函数 pic_compress ，接受压缩维度 k 和图片数组 pic_array 作为参数。
     global u,sigma,vt,sig,new_pic #声明全局变量，用于存储SVD分解后的结果和压缩后的图片。
     u, sigma, vt = np.linalg.svd(pic_array) #对图片数组进行奇异值分解，得到左奇异矩阵 u 、奇异值数组 sigma 和右奇异矩阵 vt 。
     sig = np.eye(k) * sigma[: k] # 根据压缩维度 k 和奇异值数组 sigma 生成对角矩阵 sig 。
     new_pic = np.dot(np.dot(u[:, :k], sig), vt[:k, :])#使用SVD分解后的结果重构压缩后的图片 new_pic 。
     size = u.shape[0] * k + sig.shape[0] * sig.shape[1] + k * vt.shape[1] #计算压缩后的图片大小。
     return new_pic, size #返回压缩后的图片和压缩后的大小。
img = Image.open("timg.jpg") # 打开一张彩色图片。
ori_img = np.array(img) #将图片转换为NumPy数组。
new_img, size = pic_compress(100, ori_img) #调用 pic_compress 函数，压缩原始图片到100维。
print("original size:" + str(ori_img.shape[0] * ori_img.shape[1]))#打印原始图片的大小。
print("compress size:" + str(size)) #打印压缩后的图片大小。
fig, ax = plt.subplots(1, 2)# 创建一个图形窗口和子图。
ax[0].imshow(ori_img,cmap='gray')#在第一个子图中显示原始图片。
ax[0].set_title("before compress") #设置第一个子图的标题。
ax[1].imshow(new_img,cmap='gray') #在第二个子图中显示压缩后的图片。
ax[1].set_title("after compress") # 设置第二个子图的标题。
plt.show() #显示图形窗口。

四、代码结果