矩阵的奇异值分解及其在图像压缩领域的作用

图像处理 专栏收录该内容
4 篇文章 1 订阅

   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(:,1:r1)';
B=uint8(B);
subplot(2,2,2);
imshow(B);
ysb1=(m.*n)./(m.*r1+r1.*r1+n.*r1);
title(['奇异值个数为1,压缩比为:',num2str(ysb1)]);
r2=10;%奇异值个数
C=U(:,1:r2)*S(1:r2,1:r2)*V(:,1:r2)';
C=uint8(C);
subplot(2,2,3);
imshow(C);
ysb2=(m.*n)./(m.*r2+r2.*r2+n.*r2);
title(['奇异值个数为10,压缩比为:',num2str(ysb2)]);
r3=30;%奇异值个数
D=U(:,1:r3)*S(1:r3,1:r3)*V(:,1:r3)';
D=uint8(D);
subplot(2,2,4);
imshow(D);
ysb3=(m.*n)./(m.*r3+r3.*r3+n.*r3);
title(['奇异值个数为30,压缩比为:',num2str(ysb3)]);

        结果如图所示 :

        从图中可以看出,当奇异值为1时,图像完全模糊,看不清楚,当奇异值为10时,图像初显轮廓,可以看的比较清楚,当奇异值为30的时候,图像已经很清楚了,此时的压缩比7.2581,即像素点的个数相比原图减少了7.2581倍,从而存储空间得到大大降低。

 

  • 3
    点赞
  • 0
    评论
  • 14
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

©️2021 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值