图像SVD分解与重构

图像SVD分解与重构

将图像看成一个二维矩阵，三个通道的彩色图像就是3个二维矩阵，对矩阵分别进行svd分解。svd分解是将一个矩阵A写成$U\ast \Sigma \ast V^T$的形式，U和V都是单位正交矩阵，
$$\Sigma =\left(\begin{array}{cccc}{\sigma }_1& 0& \cdots & 0\\ 0& {\sigma }_2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\sigma }_n\end{array}\right)$$
$\Sigma$是一个主对角线为矩阵奇异值,其余值为0的矩阵，并且${\sigma }_1>{\sigma }_2>...>{\sigma }_n$由大到小排列。
利用svd压缩图像（$m\ast n$）就是将u取前K列（$m\ast K$），$\Sigma$取$K\ast K$大小,v取$K\ast n$，将这三个矩阵连乘起来就得到一副压缩之后的图像。具体原理与PCA主成分分析类似。
下面给出代码：

import numpy as np
import cv2

f=cv2.imread('bai.jpg')
# cv2.imshow('',f)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
img=f.copy()
u_r,sigma_r,v_r=np.linalg.svd(img[:,:,0])
u_g,sigma_g,v_g=np.linalg.svd(img[:,:,1])
u_b,sigma_b,v_b=np.linalg.svd(img[:,:,2])
print(u_r.shape)
print(sigma_r.shape)#这是一个一维向量
print(v_r.shape)

def restore(sigma,u,v,K):
    '''
    svd分解出来的三个参数，u,sigma,v=svd(img)
    :param K: 为取前K个特征值
    图像重构就是按照u*sigma*v再乘回去，只不过这里的u,sigma,v是取前K个特征值之后的缩小的矩阵
    :return:
    '''
    m=len(u)
    n=len(v[1])
    a=np.zeros((m,n))
    for k in range(K+1):
        u[:,k]=u[:,k]*sigma[k]
    a=np.dot(u[:,:K+1],v[:K+1,:])
    a[a<0]=0
    a[a>255]=255
    return a.astype(np.uint8)
#分解之后进行重构
K=200#取前100个奇异值重构时就能得到比较清晰的图像，而原图像的奇异值有500个
restore_r=restore(sigma_r,u_r,v_r,K)
restore_g=restore(sigma_g,u_g,v_g,K)
restore_b=restore(sigma_b,u_b,v_b,K)
restore_img=np.stack((restore_r,restore_g,restore_b),axis=2)
cv2.imshow('',restore_img)
cv2.waitKey(0)
cv2.destroyAllWindows()