矩阵的奇异值分解及其在图像压缩领域的作用

   1.矩阵奇异值分解定义及数学原理

         矩阵的奇异值分解英文全称为Singular value decomposition，简称SVD分解。

         基本数学原理如下：

         那么矩阵的奇异值分解是怎样实现图像压缩的呢？假设一副为height*width的图像，则原图的像素点个数为height*width个，进行奇异值为r的分解之后，像素点就变为height*r+r*r+width*r个，压缩比为（height*width）/（height*r+r*r+width*r），使得存储空间大大降低。

     2.奇异值分解的MATLAB程序简单仿真

         我们在MATLAB中通过调用svd这个内置函数，来简单看一下矩阵奇异值分解的一个具体实际效果，很简单的一段代码，代码如下：

A=imread('timg.jpg');%读入图像
A=rgb2gray(A);%rgb转灰度
[m,n]=size(A);
subplot(2,2,1);
imshow(A);
title('原始图像');
[U,S,V]=svd(double(A),'econ');%进行奇异值分解
r1=1;%奇异值个数
B=U(:,1:r1)*S(1:r1,1:r1)*V