奇异值分解SVD真的能压缩图片吗？

一堆博客(下方推荐栏中)说奇异值分解（SVD）能用于图片压缩，判断方法无一例外都是肉眼观测，例如

通过肉眼观察，奇异值个数越少，图片越模糊，因此SVD能够压缩图片。

emm……

判断能不能压缩图片，不看压缩后的图片文件大小，而是看图片的模糊程度？？

问题：SVD能否压缩图片(文件大小)？

方法：

参考SVD Image Compression, Explained | dmicz devblog这篇博客，该博客的代码在GitHub - dmicz/devblognotebooks: Repository of notebooks featured on dmicz.github.io。

先将图片转化为灰度图并保存，作为原始图片，之后分别取前1个至350个奇异值重构图片，并将重构后的图片储存起来，读取储存后的图片文件大小，并画图。示例代码如下

# 保存原图
cv2.imwrite("origin_cat.png", image)
# SVD
U, S, Vt = np.linalg.svd(image, full_matrices=False)

pic_size = []
for n in range(1,351):
    # 重构图片
    reconstructed = np.matrix(U[:, :n]) * np.diag(S[:n]) * np.matrix(Vt[:n, :])
    #保存重构后的图片
    cv2.imwrite("reconstructed_cat.png", reconstructed)
    # 获取图片文件大小
    pic_size.append(os.stat("reconstructed_cat.png").st_size)

plt.plot(pic_size)
plt.xlabel("奇异值个数")
plt.ylabel("文件大小/B")
plt.axhline(os.stat("origin_cat.png").st_size,color='red', linestyle='dashed')

结果如下图所示，X轴为奇异值个数，Y轴为重构后的图片文件大小，红色虚线为原图文件大小，约57000B，即56KB。

可以看出，当奇异值个数小于40时，重构后的图片文件大小比原图更小，然而当奇异值个数在40至250之间时，重构后图片文件居然比原文件更大。之后随着奇异值个数的继续增加，重构后的图片才与原文件大小相同。

结论：

虽然直觉判断SVD能够压缩图片，并且奇异值个数越少，重构后图片越小；奇异值个数越多，重构后图片越大。

但试验结果表明，SVD不一定能压缩图片；

不一定奇异值个数越少，重构后图片越小，甚至重构后的图片可能比原图还大。

（ 之前看到过这样一种解释，和这篇博客差不多，对于一张400×400的图片，取K个奇异值，则U、S、V矩阵中分别有400×K、K、K×400个元素，总共801×K个。原图有400×400=160000个元素，只要

801×K ≤ 160000，即K ≤ 199，

就能实现压缩，当K > 199时，SVD的总元素个数多于原图，就无法实现压缩的目的。

但就算这样，801×K 是单调递增的线性函数，文件大小也应该越来越大，而不是先变大后变小。。

非常希望有人能说明该现象产生的原因，能给出证据就更好了；）