特征值与特征向量
对于n阶方阵A, 如果存在数a和非零n维列向量x, 使得Ax=ax, 则称a是矩阵A的一个特征值, x是矩阵A属于特征值的特征向量.
# 提取方阵A的特征值与特征向量
# eigvals: 一组特征值
# eigvecs: 特征值对应的特征向量
eigvals, eigvecs = np.linalg.eig(A)
# 通过特征值与特征向量 逆向推导原方阵
S = eigvecs * np.diag(eigvals) * eigvecs.I
案例:
"""
特征值与特征向量
"""
import numpy as np
A = np.mat('1 5 8; 2 5 7; 8 2 4')
# 提取特征值与特征向量
eigvals, eigvecs = np.linalg.eig(A)
print(eigvals)
print(eigvecs)
# 逆向推导原方阵
S = np.mat(eigvecs) * \
np.mat(np.diag(eigvals)) * \
np.mat(eigvecs).I
print(S)
eigvals[1:] = 0
S = np.mat(eigvecs) * \
np.mat(np.diag(eigvals)) * \
np.mat(eigvecs).I
print(S)
案例: 读取图片的亮度矩阵, 提取特征值与特征向量, 保留部分特征值, 重新生成新的亮度矩阵, 绘制图片。(图像本身就是一个比较大的矩阵)
"""
demo02_eig.py 提取图片的特征值
"""
import numpy as np
import scipy.misc as sm
import matplotlib.pyplot as mp
image = sm.imread('../da_data/lily.jpg', True)
print(type(image), image.shape)
# 提取image矩阵的特征值与特征向量
eigvals, eigvecs = np.linalg.eig(image)
# 抹掉一部分特征值 重新生成新的图片
print(eigvals.shape)
eigvals[130:] = 0
S = np.mat(eigvecs) * \
np.mat(np.diag(eigvals)) * \
np.mat(eigvecs).I
S = S.real
mp.figure('Lily Features',facecolor='lightgray')
mp.subplot(1,2,1)
mp.xticks([])
mp.yticks([])
mp.imshow(image, cmap='gray')
mp.subplot(1,2,2)
mp.xticks([])
mp.yticks([])
mp.imshow(S, cmap='gray')
mp.tight_layout()
mp.show()
如图,抹掉了一部分特征值后,图像缺失了部分特征,变得相对模糊了。