13.奇异值分解SVD和图形处理

奇异值分解是线性代数中一种重要的矩阵分解，其在图形学、统计学、推荐系统、信号处理等领域有重要应用。奇异值分解在图形压缩中的运用以及对视频进行一定的处理。

SVD和图形处理

(1)线性代数基础知识

1.特征值和特征向量，求解，特征多项式

2.相似的概念，相似对角化的概念

3.线性无关

4.可对角化，有n个线性无关的特征向量
实对称矩阵A一定可以相似对角化
5.正交，标准正交向量组，施密特正交法–正交矩阵

6.正定矩阵，半正定矩阵

(2)奇异值分解

1.奇异值矩阵
把A分成正交矩阵 * 奇异值矩阵 * 正交矩阵
其中的奇异值矩阵，和A的大小一样，主对角元素是从大到小排列的。

对于奇异值矩阵，有对角元素称为奇异值，其他位置元素为0

分别计算三个矩阵的方法
U,V利用特征值


奇异值求解，用特征值开根号

利用matlab中SVD就可以得到数据降维后的结果。
这里说的降维，更加准确来说的使得矩阵的秩减小，大小并没有改变。对应分解的矩阵的秩会变小。舍去了奇异值中值，特征值小的部分。
保留原矩阵的特征比例可以通过奇异值矩阵对角线数相加，相比就可以得到最后的结果。

(3)matlab操作

[U,S,V]=svd(A)
%注意在这里是v，而分解得到的是V的转置，所以下面需要加上转置符号
U*S*V'-A   %可能会有浮点数的一点误差，近似0

然后分解成功后我们就可以进行压缩就,计算对应特征。

(4)matlab对图片的压缩

（1）原理：RGB模式
三原色：
RGB（0，0，0）黑
RGB（255，0，0）红
RGB（0，255，0）绿
RGB（0，0，255）蓝
RGB（255，255，255）白
三原色相同，纯灰

图片分为像素点，灰色图片是二维，R=G=B
彩色图片是三维RGB各一维，不能直接显示三维矩阵，需要取出来

img = double(imread(photo_address));
% 图片保存的对象是 'uint8' 类型，需要将其转换为double类型才能进行奇异值分解的操作
% 注意:  img是图形的像素矩阵，如果是彩色图片则是三维矩阵，如果是灰色图片(R=G=B)则是二维矩阵
% 因此我们可利用第三个维度的大小来判断图片是否为灰色的
% 灰色图片的只有两个维度，所以size(img ,3) == 1
%rgb2gray函数可以将彩色图片转换为灰色图片, 注意：输入的变量要为默认的'uint8' 类型的图片对象

对于彩色矩阵，可以把矩阵三个色彩模式提取出来，进行拼接，其中矩阵的压缩利用svd函数，后采用cat函数进行拼接。

(5)matlab对视频的处理

实际上就是图片的叠加。
对应每一帧的图片的像素点，每秒对应的帧数
处理就是先变成图片，读出帧所在的图片的位置，然后保留这个图片。
则人脸识别就可以用这种方法，提取一幅图片，分析特征属性。
批量处理文件夹中的图片，利用循环，把文件夹中所有的图片都进行处理，找到文件下jpg结尾的文件，得到对应文件名称的文件的元胞数组。
使用时还要进行拼接得到地址，然后利用函数进行压缩，和输出即可。

video_file='test.flv';
video=VideoReader(video_file);  
frame_number = video.NumberOfFrames; %视频的总帧数
%% 分离图片
for i=1:30:frame_number   % 这里演示的是每30帧数保存一次
	image_name=strcat('图片\image_',num2str(i),'.jpg');
% 填写对应路径
    Photo=read(video,i);            %读出所在帧的图片对象
    imwrite(Photo,image_name);      %将图片保存到指定的位置
end

(6)总结 SVD 奇异值分解

1.优点，简化数据，去除噪声点，对数据降维（减小秩）
2.缺点，转换后的数据可能不好理解
3.适用于数据类型是数值型

通过SVD对数据处理，可以对原始数据进行精简，实际上是去除了噪声和冗余信息
比较好的应用：信息检索和推荐系统.