奇异值(Singular Value)往往对应着矩阵中的隐含的重要信息,且重要性与奇异值大小呈正相关。
关于奇异值的知识,可以参考:机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用
一般来说,较少的奇异值就可以表达一个矩阵很重要的信息,所以我们可以舍掉一部分奇异值来实现压缩。
在图像处理中,奇异值小的部分往往代表着噪声,因此可以借助SVD算法来实现去噪。
选取图像如下,
可以看到,人物脸上的雀斑是我们需要去掉的噪声。
分别取前0.5%、1%、5%的奇异值,得到的图像依次是:
可以看到,随着奇异值的增多,图像的特征也逐渐显现出来。
奇异值取前10%时,去噪效果更好:
这样就实现了对图像简单的降噪处理。
python代码如下:
from numpy import *
from numpy import linalg as la
def svd_denoise(img):
u, sigma, vt = la.svd(img)
h, w = img.shape[:2]
h1 = int(h * 0.1) #取前10%的奇异值重构图像
sigma1 = diag(sigma[:h1],0) #用奇异值生成对角矩阵
u1 = zeros((h,h1), float)
u1[:,:] = u[:,:h1]
vt1 = zeros((h1,w), float)
vt1[:,:] = vt[:h1,:]
return u1.dot(sigma1).dot(vt1)
需要注意的是,linalg中的svd 函数返回u、sigma、yt,而sigma是一个由大到小排列的一维向量,而在后续的处理中需要用numpy中的diag函数将其变成一个对角矩阵。