Python—SVD分解压缩图片

c哟嚯

已于 2022-10-26 22:06:48 修改

阅读量933

点赞数 1

分类专栏：笔记文章标签： python numpy 开发语言

于 2022-10-26 21:07:24 首次发布

本文链接：https://blog.csdn.net/weixin_51690217/article/details/127539913

版权

笔记专栏收录该内容

2 篇文章 0 订阅

订阅专栏

奇异值分解压缩图片

$对任意的A\in C^{m \times n}_r\quad 有 SVD分解，\\ A=U \begin{pmatrix} \Sigma & O \\ O & O \end{pmatrix} V^H \\其中U,V为酉矩阵，U=(u_1,..,u_m) \in C^{m \times m}_m \quad V^H= \begin{pmatrix} v_1^T\\ .\\ .\\ v_nT \end{pmatrix}\in C^{n \times n}_n \\ \Sigma=diag(\sigma_1,..,\sigma_r),\sigma_i为A的奇异值,i=1,..,r \\且\sigma_1\ge\sigma_2\ge...\ge \sigma_r>0 \\ \\\quad \\ 于是，A=\sigma_1u_1v_1^T+\sigma_2u_2v_2^T+....+\sigma_ru_rv_r^T ， \\可以看到，奇异值\sigma_i越小，\sigma_iu_iv_i^T对A的贡献越小。\\ 即只要保留较大\sigma_i和对应的u_i,v_i^T，就可以保留A的主要特征。 \\ 即保留前k个\sigma_i,(k\leq r),用B=\sigma_1u_1v_1^T+...+\sigma_k u_kv_k^T来近似A \\ 压缩比=\frac{mn}{(m+n+1)k},mn为A的大小,(m+n+1)k为B的大小 \\\quad \\（numpy带有SVD分解的函数，即求出U,\Sigma,V^H,压缩图片就变得很简单了）$

from PIL import Image
import numpy as np

image_dir = "D:/zmzm/test.png"
 
x = Image.open(image_dir)   #打开图片
data = np.asarray(x)        #转换为矩阵

image = Image.fromarray(data[:,:,0])  #显示原图
image.show()  

u, s, vh = np.linalg.svd(data[:,:,0])   #SVD分解，图片为四重矩阵，取第一重，即黑白图片 
u=np.asmatrix(u)
vh=np.asmatrix(vh)


A=np.asmatrix(np.zeros(data[:,:,0].shape))
m , n = A.shape
for  k in range(0,150):	#可以自己调节的值，调节压缩值
    if(k%30==0  and k!=0) :
        image = Image.fromarray(A)  
        image.show()    #输出图片
        print("压缩比：",m*n/(m+n+1)/k)
    A=A+s[k]*u[:,k]*vh[k]