1. SVD图像压缩原理介绍奇异值分解（singular value decomposition，SVD）是线性代数中一种重要的矩阵分解，在信号处理、统计学等领域有重要应用。假设MMM是一个m×nm \times nm×n阶矩阵，其中的元素全部属于域KKK，也就是实数域或复数域。如此则存在一个分解使得(1)M=UΣV∗M = U\Sigma {V^ * }\tag {1}M=UΣV∗(...
1. SVD图像压缩原理介绍
奇异值分解（singular value decomposition，SVD）是线性代数中一种重要的矩阵分解，在信号处理、统计学等领域有重要应用。
假设 M M M是一个 m × n m \times n m×n阶矩阵，其中的元素全部属于域 K K K，也就是实数域或复数域。如此则存在一个分解使得
(1) M = U Σ V ∗ M = U\Sigma {V^ * } \tag {1} M=UΣV∗(1)
其中 U U U是 m × m m \times m m×m阶酉矩阵； Σ \Sigma Σ是 m × n m \times n m×n阶非负实数对角矩阵；而 V ∗ {V^ * } V∗为矩阵 V V V的共轭转置矩阵，是 n × n n \times n n×n阶酉矩阵。这样的分解就称为矩阵 M M M的奇异值分解。 Σ \Sigma Σ对角线上的元素 Σ i , i {\Sigma _{i,i}} Σi,i即为矩阵 M M M的奇异值。其具体分解形式为：
上面的示意图，可以用数学公式来表示，如下所示：
(2) M = [ u 1 , u 2 , … , u m ] [ D 0 0 0 ] [ v 1 ⊤ v 2 ⊤ ⋮ v n ⊤ ] M = \left[ { {u_1},{u_2}, \ldots ,{u_m}} \right]\begin{bmatrix} D & 0\\ 0 & 0 \end{bmatrix} \begin{bmatrix} v_1^ \top \\ v_2^ \top \\ \vdots \\ v_n^ \top \end{bmatrix} \tag {2} M=[u1,u2,…,um][D000]⎣⎢⎢⎢⎡v1⊤v2</
最低0.47元/天 解锁文章
2463
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
