四、用SVD压缩图像

最新推荐文章于 2025-04-28 16:29:18 发布

原创

最新推荐文章于 2025-04-28 16:29:18 发布

· 9.7k 阅读

32 ·

版权

本文介绍了如何利用矩阵奇异值分解（SVD）进行图像压缩。通过选取奇异值向量中的前k个最大值（通常k个奇异值之和约占总和的90%），可以重构接近原始图像的内容。在Python的numpy库中，可以使用svd函数进行分解。实验中，选择前30个奇异值来还原灰度图像，虽然图像会变模糊，但仍能辨认物体，且压缩后的图像大小减少了约10倍。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

矩阵的奇异值分解是矩阵的一种分解方式。我们可以利用矩阵的奇异值分解，提取矩阵的主要信息，从而通过比原矩阵少的数据量，来还原跟原矩阵差不多的信息。在python的numpy库中跟我们提供了svd分解的函数：

U, S, VT = numpy.linalg.svd(matrix)

该函数返回2个矩阵U、VT和1个1维的奇异值向量，这是因为奇异值矩阵是一个对角矩阵，除了对角元素外其他元素都为0，转为向量可以节省空间。我们可以通过观察奇异值向量，选取前k个奇异值（一般这k个奇异值之和占所有奇异值之和的90%）来还原原矩阵，还原方式如下：

import numpy as np

sig = np.eye(k) * sigma[: k]  # 将奇异值向量的前k个奇异值转为对角矩阵
# 前k个奇异值对应矩阵U的前k列,对应矩阵VT的前k行，可以结合下图观察
new_matrix= np.dot(np.dot(U[:, :k], sig), VT[:k, :])