【图像压缩】直接奇异值分解SVD+分块奇异值分解SVD+小波变换结合奇异值分解SVD图像压缩（含压缩比与信噪比）【含Matlab源码 3886期】

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/136069203

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、奇异值分解图像压缩

1 前言
数字图片在计算机中是以矩阵形式存储的。所以可以通过矩阵理论和矩阵算法对数字图像进行分析和处理。本文通过对图片进行SVD压缩，对不同的参数下的压缩效果进行对比。

SVD概念可以参考：《统计学习方法》–奇异值分解（Singular Value Decomposition，SVD）

2 原理简介
彩色图片有3个图层，RGB（红、绿、蓝）也就是矩阵的一个位置上存储了3个基色的数值，由3个基色混合成不同的色彩。

通过对3个图层矩阵，分别进行SVD近似，SVD奇异值是唯一的，可以取前 k 个最大的奇异值进行近似表达，最后再将3个图层的矩阵数据合并，用较少的数据去表达图片。

3 彩色图像压缩的具体思路
第一步：通道分离
对于JPG格式的彩色图片，拥有3个颜色通道，R、G、B，那么可以尝试将每个颜色通道进行分离，产生3个形状均为图像高 x 宽的单通道剧展，即imageR，imageG，imageB。

第二步：矩阵压缩
对每个单通道矩阵进行奇异值分解，按照压缩的实际需要取前k个奇异值，进行3个单通道的矩阵的压缩近似，各自的处理过程同灰度图的处理过程完全一样。最后分别形成3个压缩后的矩阵：imageRC，imageGC，imageBC。

第三步：图像重建
将3个压缩后的单通道矩阵合并形成表示JPG格式的3D张量，通过该3D张量重构出压缩后的彩色图像。

⛄二、部分源代码

%% SVDS实验
Ubar=cell(10,1);
Ebar=cell(10,1);
Vbar=cell(10,1);
time=zeros(10,1);
for ii=1:10
tic;
[Ubar{ii} Ebar{ii} Vbar{ii}]=svds(A{ii},100);
toc;
time(ii)=toc;
end

%% 分析

mask=[1 2 5 6 7 8 10];% 无重正奇异值根的矩阵编号
%左奇异向量的误差
errLeft=zeros(10,1);
for ii=1:10
ubart=Ubar{ii}(:,1:r(ii))*diag(sign(Ubar{ii}(1,1:r(ii))));
ut=U{ii}(:,1:r(ii))*diag(sign(U{ii}(1,1:r(ii))));
errLeft(ii)=norm(ubart-ut);
end

%又奇异向量的误差
errRight=zeros(10,1);
for ii=1:10
Vbart=Vbar{ii}(:,1:r(ii))*diag(sign(Vbar{ii}(1,1:r(ii))));
Vt=V{ii}(:,1:r(ii))*diag(sign(V{ii}(1,1:r(ii))));
errRight(ii)=norm(Vbart-Vt);
end

%最小正奇异值的误差
minSigmaBar=zeros(10,1);
errMinSigma=zeros(10,1);
for ii=1:10
minSigmaBar(ii)=Ebar{ii}(r(ii),r(ii));
errMinSigma(ii)=abs(Ebar{ii}(r(ii),r(ii))-E{ii}(r(ii),r(ii)));
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]郑伟,崔跃利,王芳.基于小波变换的图像压缩编码研究综述[J].通信技术. 2008,(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合