【矩阵分析】奇异值分解（SVD）

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 $15\times 25$ 的大小，如果要全部存储需要 375 个方格。但这 15 列仅有 $r=3$ 个独立的 $n\times 1$ 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。
$${\sigma }_1=14.15$$

$${\sigma }_2=4.67$$

$${\sigma }_3=3.00$$

$${\sigma }_4=0.21$$

$$\dots$$

σ 1