【Matlab】数字图像的 SVD 分解

奇异值分解 (SVD, Singular Value Decomposition) 是线性代数中一种重要的矩阵变换方法，对矩阵进行 SVD 分解，可以把复杂的矩阵简化，从而提取出重要的信息。数字图像的 SVD 分解是对数字图像建模的一种方法与工具，可以应用于图像压缩与图像处理等场景。本文主要介绍矩阵 SVD 分解的基本原理，以及使用 Matlab 对图像进行 SVD 分解与重建的过程。

如果有写得不正确的地方，欢迎指正 ~

目录

1. 矩阵的奇异值

2. 图像的 SVD 分解与重建

---

1. 矩阵的特征值与奇异值

        对于 n 阶方阵 ，如果存在  和非零列向量 ，使

成立，则称  是矩阵 的一个特征值， 是 矩阵 对于特征值  的一个特征向量。

        特征值的求解可以根据特征多项式   进行，进一步可以将矩阵 对角化，即把矩阵 改写成可逆矩阵 和对角矩阵 乘积的形式。

其中对角矩阵 对角线上的元素为 的特征值。

        然而对于 m x n 阶矩阵 (m ≠ n)，特征值计算的方法不再适用，这时可以计算矩阵的奇异值。对于 m x n 阶矩阵 ，总可以分解成

的形式，其中矩阵 和 是正交矩阵，对角矩阵 对角线上的元素为 的奇异值。

        为了求出  和 ，先构建方阵  和 ，有

这表明  是  的对角化矩阵， 是  的对角化矩阵。矩阵 和 分别是  和  的对角变换矩阵。

2. 图像的 SVD 分解与重建

        在数字图像处理中，一幅大小为 M x N 的灰色图像可以表示成如下矩阵的形式，

其中  是 xy 空间中的二维函数，其函数值表示图像在对应点的灰度。

        对于彩色图像，可以将多个分量按照行或者列的方向进行拼接，例如 M x N x 3 的图像进行拼接得到一个 3M x N 的矩阵。了解了这一点，就可以对数字图像应用奇异值分解的方法。

        Matlab 中关于 svd 奇异值分解函数的用法说明如下。

        使用 Matlab 进行数字图像的 SVD 分解与重建的大致思路如下：

（1）读取想要处理的图像，转换数据类型为 double 类型；

（2）将图像的不同颜色分量按某个方向进行拼接，得到 img_merge；

（3）对 img_merge 进行 SVD 分解，求出 U，S 和 V 三个矩阵；

（4）选取想要保留的奇异值的个数 k，构建新的矩阵 U1，S1 和 V1；

（5）使用 U1，S1 和 V1 生成生成新的图像，并进行显示。

Matlab 代码和运行结果如下。

clear, clc

% 基于SVD的图像压缩
img = imread('./cat.png');
img = im2double(img);

% 图像颜色分量的拼接
[m,n,d] = size(img);
img_merge = [img(:,:,1); img(:,:,2); img(:,:,3)];

% 图像的svd分解
[U,S,V] = svd(img_merge, 'econ');

% 保留前k个奇异值，生成新的图像
s = diag(S);
i = 0;
figure(1)
for k = [10,30,70,100] % k分别取10,30,70和100
    U1 = U(:,1:k);
    S1 = diag(s(1:k));
    V1 = V(:,1:k);
    tmp = U1*S1*V1';
    img_new(:,:,1) = tmp(0*m+1:1*m,:);
    img_new(:,:,2) = tmp(1*m+1:2*m,:);
    img_new(:,:,3) = tmp(2*m+1:3*m,:);
    subplot(221+i)
    imshow(im2uint8(img_new)) % 显示图像
    title(['k=',num2str(k)])  % 添加标题
    hold on
    i = i + 1;
end

可以看到，当 k 取 70 的时候，重建的图像已经可以很好地还原图像。