用SVD压缩图片，python实现

Isaac320

已于 2023-05-24 10:08:49 修改

阅读量521

点赞数

文章标签： SVD 图像压缩图像处理线性代数

于 2023-05-24 09:46:45 首次发布

本文链接：https://blog.csdn.net/Isaac320/article/details/130840618

版权

文章介绍了如何利用SingularValueDecomposition(SVD)对图像进行矩阵分解，提取主要特征信息以实现图像压缩。通过Python代码展示了SVD在RGB通道上分别应用的过程，随着保留特征值(r)的数量增加，图像从高度压缩逐渐恢复细节。

摘要由CSDN通过智能技术生成

学习了svd，了解到矩阵可以拆分成三个特定矩阵的相乘

$A = UDV^{T}$

其中，D是对角矩阵，U和V均为酉矩阵

取前r个大的特征值，可以获取图像大部分的特征信息，从而对图像进行压缩。

如下图

在python测试了svd，并用一张图像测试了效果，如下图原图

r=5

r=15

r=25

r=35

r=45

python代码如下

from numpy import mat,eye
import numpy as np
from skimage import io,data

img=data.chelsea()
print(img.shape)
img=img/255
io.imshow(img)
io.show()


R,G,B=img[:,:,0],img[:,:,1],img[:,:,2]

UR,SR,VR=np.linalg.svd(R)
UG,SG,VG=np.linalg.svd(G)
UB,SB,VB=np.linalg.svd(B)

def getSVDimage(U,S,V,count):
    dig=mat(eye(count)*S[:count]) #获得对角矩阵
    redata=U[:,:count]*dig*V[:count,:]
    return redata

for k in range(5,80,10):
    r1=getSVDimage(UR,SR,VR,k)
    g1=getSVDimage(UG,SG,VG,k)
    b1=getSVDimage(UB,SB,VB,k)
    img_new = np.zeros(img.shape)
    img_new[:, :, 0] = r1
    img_new[:, :, 1] = g1
    img_new[:, :, 2] = b1

    io.imshow(img_new)
    io.show()

    imgimg = np.maximum(img_new,0)
    imgsave=np.uint8(imgimg*255)
    io.imsave("SVD_cat_k"+str(k)+".bmp",imgsave)