SVD（奇异值分解）

https://www.cnblogs.com/endlesscoding/p/10033527.html

奇异值分解（SVD）在数据降维中有较多应用。

一、特征值分解

实对称矩阵

在理角奇异值分解之前，需要先回顾一下特征值分解，如果矩阵A是一个m×m的实对称矩阵（即$A=A^{{}^T}$），那么它可以被分解成如下的形式:
其中Q为标准正交阵，即有$Q=Q^T$，Σ为对角矩阵，且上面的矩阵的维度均为m×m。${\lambda }_i$称为特征值，$q_i$是Q（特征矩阵）中的列向量，称为特征向量。

一般矩阵

上面的特征值分解，对矩阵有着较高的要求，它需要被分解的矩阵A为实对称矩阵，但是现实中，我们所遇到的问题一般不是实对称矩阵。那么当我们碰到一般性的矩阵，即有一个m×n的矩阵A，它是否能被分解成上面的式（1-1）的形式呢？当然是可以的，这就是我们下面要讨论的内容。

2、奇异值分解（SVD）

2.1 奇异值分解定义

有一个m×n的实数矩阵A，我们想要把它分解成如下的形式
对于奇异值分解，我们可以利用上面的图形象表示，图中方块的颜色表示值的大小，颜色越浅，值越大。对于奇异值矩阵Σ，只有其主对角线有奇异值，其余均为0。

2.2奇异值求解

正常求上面的U,V,Σ不便于求，我们可以利用如下性质
可以看到式（2-2）与式（1-1）的形式非常相同，进一步分析，我们可以发现$A{A}^{{}^T}$和$A^{{}^T}A$也是对称矩阵，那么可以利用式（1-1），做特征值分解。利用式（2-2）特征值分解，得到的特征矩阵即为U；利用式（2-3）特征值分解，得到的特征矩阵即为V；对$\lambda {\lambda }^{{}^T}$或${\lambda }^{{}^T}\lambda$中的特征值开方，可以得到所有的奇异值。

3、奇异值分解应用#

3.1 纯数学例子

分别对上面做特征值分解，得到如下结果

U = 
[[-0.55572489, -0.72577856,  0.40548161],
 [-0.59283199,  0.00401031, -0.80531618],
 [-0.58285511,  0.68791671,  0.43249337]]
 
V = 
[[-0.18828164, -0.01844501,  0.73354812,  0.65257661,  0.06782815],
 [-0.37055755, -0.76254787,  0.27392013, -0.43299171, -0.17061957],
 [-0.74981208,  0.4369731 , -0.12258381, -0.05435401, -0.48119142],
 [-0.46504304, -0.27450785, -0.48996859,  0.39500307,  0.58837805],
 [-0.22080294,  0.38971845,  0.36301365, -0.47715843,  0.62334131]]

奇异值Σ=Diag(18.54,1.83,5.01)

3.2 在图像压缩中的应用#

准备工具#

下面的代码运行环境为python3.6+jupyter5.4

SVD（Python）#

这里暂时用numpy自带的svd函数做图像压缩。
①读取图片

%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
 
img_eg = mpimg.imread("pic1.jpg")
print(img_eg.shape)

图片大小为(687, 960, 3)

②奇异值分解

img_temp = img_eg.reshape(687, 960*3)
U,Sigma,VT = np.linalg.svd(img_temp)

我们先将图片变成687*2880，再做奇异值分解。从svd函数中得到的奇异值sigma它是从大到小排列的。

③取前部分奇异值重构图片

# 取前60个奇异值
sval_nums = 60
img_restruct1 = (U[:,0:sval_nums]).dot(np.diag(Sigma[0:sval_nums])).dot(VT[0:sval_nums,:])
img_restruct1 = img_restruct1.reshape(687, 960, 3)
 
# 取前300个奇异值
sval_nums = 300
img_restruct2 = (U[:,0:sval_nums]).dot(np.diag(Sigma[0:sval_nums])).dot(VT[0:sval_nums,:])
img_restruct2 = img_restruct2.reshape(687, 960, 3)

将图片显示出来看一下，对比下效果

fig, ax = plt.subplots(1,3,figsize = (24,32))
 
ax[0].imshow(img_eg)
ax[0].set(title = "src")
ax[1].imshow(img_restruct1.astype(np.uint8))
ax[1].set(title = "nums of sigma = 60")
ax[2].imshow(img_restruct2.astype(np.uint8))
ax[2].set(title = "nums of sigma = 300")

可以看到，当我们取到前面300个奇异值来重构图片时，基本上已经看不出与原图片有多大的差别。

总结

从上面的图片的压缩结果中可以看出来，奇异值可以被看作成一个矩阵的代表值，或者说，奇异值能够代表这个矩阵的信息。当奇异值越大时，它代表的信息越多。因此，我们取前面若干个最大的奇异值，就可以基本上还原出数据本身。

如下，可以作出奇异值数值变化和前部分奇异值和的曲线图，如下图所示

import numpy as np
import matplotlib.pyplot as plt
  
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
axes[0].plot(Sigma)
axes[1].plot(Sigma.cumsum())

从上面的第1个图，可以看出，奇异值下降是非常快的，**因此可以只取前面几个奇异值，便可基本表达出原矩阵的信息。**从第2个图，可以看出，当取到前100个奇异值时，这100个奇异值的和已经占总和的95%左右。