✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
图像压缩在图像处理和传输中至关重要,它可以减少图像文件的大小,同时保持视觉上可接受的质量。本文将探讨基于奇异值分解(SVD)、分块奇异值分解(SVD)和小波变换结合奇异值分解(SVD)的三种图像压缩方法,并分析它们的压缩比和信噪比(SNR)。
奇异值分解(SVD)
奇异值分解(SVD)是一种矩阵分解技术,可以将一个矩阵分解为三个矩阵的乘积:
A = UΣV^T
其中,U和V是正交矩阵,Σ是对角矩阵,其对角线元素称为奇异值。
基于奇异值分解(SVD)的图像压缩
基于奇异值分解(SVD)的图像压缩方法利用了图像中数据的相关性。通过对图像进行SVD分解,可以将图像表示为奇异值和奇异向量的线性组合。然后,可以通过截断较小的奇异值来降低图像的秩,从而实现压缩。
分块奇异值分解(SVD)
分块奇异值分解(SVD)是一种改进的SVD方法,它将图像划分为较小的块,然后对每个块进行SVD分解。这种方法可以更好地捕捉图像中的局部特征,从而提高压缩效率。
小波变换结合奇异值分解(SVD)
小波变换是一种时频分析技术,可以将图像分解为不同尺度的子带。通过将小波变换与SVD相结合,可以进一步提高图像压缩效率。小波变换可以捕获图像中的边缘和纹理等高频成分,而SVD可以捕获低频成分。
压缩比和信噪比
图像压缩的两个重要指标是压缩比和信噪比(SNR)。压缩比衡量压缩后图像文件的大小与原始图像文件大小之比,而SNR衡量压缩后图像的质量。
📣 部分代码
function [ err ] = mmwrite(filename,A,comment,field,precision)
%
% Function: mmwrite(filename,A,comment,field,precision)
%
% Writes the sparse or dense matrix A to a Matrix Market (MM)
% formatted file.
%
% Required arguments:
%
% filename - destination file
%
% A - sparse or full matrix
%
% Optional arguments:
%
% comment - matrix of comments to prepend to
% the MM file. To build a comment matrix,
% use str2mat. For example:
%
% comment = str2mat(' Comment 1' ,...
% ' Comment 2',...
% ' and so on.',...
% ' to attach a date:',...
% [' ',date]);
% If ommitted, a single line date stamp comment
% will be included.
%
% field - 'real'
% 'complex'
% 'integer'
% 'pattern'
% If ommitted, data will determine type.
%
% precision - number of digits to display for real
% or complex values
% If ommitted, full working precision is used.
%
if ( nargin == 5)
precision = 16;
elseif ( nargin == 4)
precision = 16;
elseif ( nargin == 3)
mattype = 'real'; % placeholder, will check after FIND-ing A
precision = 16;
elseif ( nargin == 2)
comment = '';
% Check whether there is an imaginary part:
mattype = 'real'; % placeholder, will check after FIND-ing A
precision = 16;
end
mmfile = fopen([filename],'w');
if ( mmfile == -1 )
error('Cannot open file for output');
end;
[M,N] = size(A);
%%%%%%%%%%%%% This part for sparse matrices %%%%%%%%%%%%%%%%
if ( issparse(A) )
[I,J,V] = find(A);
if ( sum(abs(imag(nonzeros(V)))) > 0 )
Vreal = 0;
else
Vreal = 1;
end
if ( ~ strcmp(mattype,'pattern') & Vreal )
mattype = 'real';
elseif ( ~ strcmp(mattype,'pattern') )
mattype = 'complex';
end
%
% Determine symmetry:
%
if ( M ~= N )
symm = 'general';
issymm = 0;
NZ = length(V);
else
issymm = 1;
NZ = length(V);
for i=1:NZ
if ( A(J(i),I(i)) ~= V(i) )
issymm = 0;
break;
end
end
if ( issymm )
symm = 'symmetric';
ATEMP = tril(A);
[I,J,V] = find(ATEMP);
NZ = nnz(ATEMP);
else
isskew = 1;
for i=1:NZ
if ( A(J(i),I(i)) ~= - V(i) )
isskew = 0;
break;
end
end
if ( isskew )
symm = 'skew-symmetric';
ATEMP = tril(A);
[I,J,V] = find(ATEMP);
NZ = nnz(ATEMP);
elseif ( strcmp(mattype,'complex') )
isherm = 1;
for i=1:NZ
if ( A(J(i),I(i)) ~= conj(V(i)) )
isherm = 0;
break;
end
end
if ( isherm )
symm = 'hermitian';
ATEMP = tril(A);
[I,J,V] = find(ATEMP);
NZ = nnz(ATEMP);
else
symm = 'general';
NZ = nnz(A);
end
else
symm = 'general';
NZ = nnz(A);
end
end
end
% Sparse coordinate format:
rep = 'coordinate';
fprintf(mmfile,'%%%%MatrixMarket matrix %s %s %s\n',rep,mattype,symm);
[MC,NC] = size(comment);
if ( MC == 0 )
fprintf(mmfile,'%% Generated %s\n',[date]);
else
for i=1:MC,
fprintf(mmfile,'%%%s\n',comment(i,:));
end
end
fprintf(mmfile,'%d %d %d\n',M,N,NZ);
cplxformat = sprintf('%%d %%d %% .%dg %% .%dg\n',precision,precision);
realformat = sprintf('%%d %%d %% .%dg\n',precision);
if ( strcmp(mattype,'real') )
for i=1:NZ
fprintf(mmfile,realformat,I(i),J(i),V(i));
end;
elseif ( strcmp(mattype,'complex') )
for i=1:NZ
fprintf(mmfile,cplxformat,I(i),J(i),real(V(i)),imag(V(i)));
end;
elseif ( strcmp(mattype,'pattern') )
for i=1:NZ
fprintf(mmfile,'%d %d\n',I(i),J(i));
end;
else
err = -1;
disp('Unsupported mattype:')
mattype
end;
%%%%%%%%%%%%% This part for dense matrices %%%%%%%%%%%%%%%%
else
if ( sum(abs(imag(nonzeros(A)))) > 0 )
Areal = 0;
else
Areal = 1;
end
if ( ~strcmp(mattype,'pattern') & Areal )
mattype = 'real';
elseif ( ~strcmp(mattype,'pattern') )
mattype = 'complex';
end
%
% Determine symmetry:
%
if ( M ~= N )
issymm = 0;
symm = 'general';
else
issymm = 1;
for j=1:N
for i=j+1:N
if (A(i,j) ~= A(j,i) )
issymm = 0;
break;
end
end
if ( ~ issymm ) break; end
end
if ( issymm )
symm = 'symmetric';
else
isskew = 1;
for j=1:N
for i=j+1:N
if (A(i,j) ~= - A(j,i) )
isskew = 0;
break;
end
end
if ( ~ isskew ) break; end
end
if ( isskew )
symm = 'skew-symmetric';
elseif ( strcmp(mattype,'complex') )
isherm = 1;
for j=1:N
for i=j+1:N
if (A(i,j) ~= conj(A(j,i)) )
isherm = 0;
break;
end
end
if ( ~ isherm ) break; end
end
if ( isherm )
symm = 'hermitian';
else
symm = 'general';
end
else
symm = 'general';
end
end
end
% Dense array format:
rep = 'array';
[MC,NC] = size(comment);
fprintf(mmfile,'%%%%MatrixMarket mtx %s %s %s\n',rep,mattype,symm);
for i=1:MC,
fprintf(mmfile,'%%%s\n',comment(i,:));
end;
fprintf(mmfile,'%d %d\n',M,N);
cplxformat = sprintf('%% .%dg %% .%dg\n', precision,precision);
realformat = sprintf('%% .%dg\n', precision);
if ( ~ strcmp(symm,'general') )
rowloop = 'j';
else
rowloop = '1';
end
if ( strcmp(mattype,'real') )
for j=1:N
for i=eval(rowloop):M
fprintf(mmfile,realformat,A(i,j));
end
end
elseif ( strcmp(mattype,'complex') )
for j=1:N
for i=eval(rowloop):M
fprintf(mmfile,cplxformat,real(A(i,j)),imag(A(i,j)));
end
end
elseif ( strcmp(mattype,'pattern') )
err = -2
disp('Pattern type inconsistant with dense matrix')
else
err = -2
disp('Unknown matrix type:')
mattype
end
end
fclose(mmfile);
⛳️ 运行结果
结论
基于SVD、分块SVD和小波变换结合SVD的图像压缩方法都具有较高的压缩比和信噪比。其中,小波变换结合SVD方法的压缩效率最高,信噪比也最高。因此,小波变换结合SVD方法是一种适用于图像压缩的高效技术。
🔗 参考文献
[1] 许海霞,周维,陈维.基于SVD分解的数字图像盲水印[J].计算机系统应用, 2007, 16(010):106-109.DOI:10.3969/j.issn.1003-3254.2007.10.027.
[2] 刘汉强.基于奇异值分解(SVD)和小波变换的图像压缩算法[J].福建电脑, 2008(1):2.DOI:10.3969/j.issn.1673-2782.2008.01.040.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类