奇异值（SVD）分解在图像处理中的意义及PCA的Python实现

  这学期矩阵分析期末考试整了个矩阵奇异值分解的题，没顶住，痛定思痛，查阅了相关的文献，结合自己图像处理的研究方向，对矩阵奇异值的意义有了更加清晰的认识，故留此记录。

什么是矩阵奇异值分解？

  根据教材的定义，对于任意m×n维复数矩阵A，存在m维酉矩阵P和n维酉矩阵Q，使得A满足分解式：
$$A=P\left(\begin{array}{cc}D& 0\\ 0& 0\end{array}\right)Q^H$$

  其中 D = d i a g { d 1 , d 2 , ⋯ d r } , 且 d 1 ≥ d 2 ≥ ⋯ ≥ d r > 0 D = diag\{d_1 ,d_2 ,{\cdots} d_r\},且d_1\geq d_2\geq {\cdots} \geq d_r >0 D=diag{ d1​,d2​