本文为矩阵分析的学习笔记,讲解奇异值分解(SVD)。欢迎在评论区与我交流 😃
图像压缩
下面的图像是 15 × 25 15\times 25 15×25 的大小,如果要全部存储需要 375 个方格。但这 15 列仅有 r = 3 r=3 r=3 个独立的 n × 1 n\times 1 n×1 向量,另外的 12 列用这 3 列的组合表示即可:
噪声过滤
下图的图像中除了黑点和白点,还有一些灰点,可能是扫描产生的噪声。
我们对上面的图像进行 SVD 分解,得到不同的奇异值(后面会详细讲解),可以拆成 15 个矩阵相加。通过观察发现,前三个倍率很高,将后面分解出的部分都省略后得到很好的近似。
σ 1 = 14.15 \sigma_1=14.15 σ1=14.15
σ 2 = 4.67 \sigma_2=4.67 σ2=4.67
σ 3 = 3.00 \sigma_3=3.00 σ3=3.00
σ 4 = 0.21 \sigma_4=0.21 σ4=0.21
… \dots …
σ 1