SVD奇异值分解的图片压缩

最近在做通过svd压缩数据的项目，虽然不是图片处理的，但是发现在对图片压缩方面还是挺不错的，就做了做尝试，svd的数学原理不再说重复。

直观的解释
在矩阵M的奇异值分解中
·U的列(columns)组成一套对M的正交"输入"或"分析"的基向量。这些向量是MM的特征向量。
·V的列(columns)组成一套对M的正交"输出"的基向量。这些向量是MM的特征向量。
·Σ对角线上的元素是奇异值，可视为是在输入与输出间进行的标量的"膨胀控制"。这些是MM及MM的奇异值，并与U和V的列向量相对应。

Python实现：
需要numpy库，如果使用anaconda的话不需要再 pip install numpy

import numpy as np # 导入numpy库
from scipy import ndimage
import matplotlib.pyplot as plt
# np.linalg.svd( ) # SVD函数

img = ndimage.imread(".../test.jpg", flatten=True) # 图片路径
ori_img = np.array(img)
U,S,VT = np.linalg.svd(img) # 奇异值分解
k = 50 # 取前50个奇异值
sig = np.eye(k) * S[: k]
new_img = np.dot(np.dot(U[:, :k], sig), VT[:k, :])

fig, ax = plt.subplots(1, 2)
ax[0].imshow(ori_img)
ax[0].set_title("old")
ax[1].imshow(new_img)
ax[1].set_title("new")
plt.show()

程序用的灰度图进行的读取，感兴趣的可以尝试RGB三通道图的读取，做法差不多。
以下是结果