特征值分解与奇异值分解

特征值分解和奇异值分解是重要的线代知识,在大量算法里面出现,特意在这里总结一下。


*特征值分解

定义:

:特征值

:对应的特征向量


目标:

将一个矩阵分解成



过程:



方法:

算出A的特征值,组成Σ;算出每个特征值对应的特征向量(彼此正交),组成S


含义:

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
特征值分解奇异值分解是两种常见的矩阵分解方法,可以用于图片的降维和压缩。 以下是使用Python编程实现特征值分解奇异值分解的示例代码: ```python import numpy as np from PIL import Image # 读取图片 img = Image.open("example.jpg").convert('L') img.show() # 将图片转换为numpy数组 img_arr = np.array(img) # 特征值分解 eigenvalues, eigenvectors = np.linalg.eig(img_arr) eigenvalues = np.diag(eigenvalues) reconstructed_img = np.dot(eigenvectors, np.dot(eigenvalues, np.linalg.inv(eigenvectors))) Image.fromarray(reconstructed_img.astype('uint8')).show() # 奇异值分解 U, S, V = np.linalg.svd(img_arr) reconstructed_img = np.dot(U[:,:10], np.dot(np.diag(S[:10]), V[:10,:])) Image.fromarray(reconstructed_img.astype('uint8')).show() ``` 上述代码中,我们首先读取了一张名为"example.jpg"的图片,并将其转换为numpy数组。然后使用numpy库中的`linalg.eig`函数进行特征值分解,得到特征值和特征向量。将特征值转换为对角矩阵后,再将其与特征向量的逆矩阵相乘,得到重构后的图片。同样的,我们使用numpy库中的`linalg.svd`函数进行奇异值分解,得到左奇异向量、奇异值和右奇异向量。将前10个奇异向量、奇异值和右奇异向量相乘,得到重构后的图片。最后,我们使用PIL库中的`Image.fromarray`函数将numpy数组转换为图片并显示出来。 需要注意的是,由于特征值分解奇异值分解都是线性代数运算,因此在处理大型图片时可能需要较长的运行时间和更高的计算资源。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值