基于SVD的图像压缩，PCA特征降维

图像压缩，PCA特征降维"/>

基于SVD的图像压缩，PCA特征降维

目录

一、前言

二、特征分解

三、基于SVD的图像压缩

四、基于SVD的特征降维

一、前言

实际上EVD（特征分解）是SVD的一种特殊情况；逆是伪逆的特殊情况，这在最小二乘当中有应用。在“8点法”求解本质矩阵当中会有SVD分解，在3D到3D空间转换中，算法icp有SVD解法。SVD作为一种分解矩阵的方法，有着广泛应用。

二、特征分解

以下会有手写word截图，讲一讲数学概念

使用matlab代码试一试:

%% Matlab验证代码
a=[1 2 3;2 1 3;3 3 6]
[x,y]=eig(a) %% x矩阵每一列代表 lamda123 对应的特征向量
diag(y) %% y矩阵的对角元素是对应特征值lamda123

三、基于SVD的图像压缩

或许你对公式很无感，但是公式还是要快速看看，后面给一道例题说明。

下面做一道例题，看看SVD分解是如何使用的。

现在使用matlab解一下上述例题：

A = [1 2; 0 0; 0 0]
[U, S, V] = svd(A);

代码执行后，结果打印如下，和上面手动求解SVD分解结果一致。

现在将上述例题中的矩阵A 换成一个大矩阵，例如高度是10000，宽度是10000，这不就是一张灰度图像嘛。于是使用opencv来对图像进行SVD分解，代码如下：

#include<iostream>
using namespace std;#include<opencv2/opencv.hpp>
using namespace cv;void printMat(Mat& matrix)
{for (int j = 0; j < matrix.rows; j++){for (int i = 0; i < matrix.cols; i++){cout << matrix.ptr<double>(j)[i] << ", ";}cout << endl;}cout << endl;
}// input:  image : ...
//         radio : 压缩比率
// ouput:  Mat : 压缩后的灰度图
Mat compressJPG(Mat image, double radio)
{SVD svd_1st(image, SVD::MODIFY_A);Mat W_ = Mat::zeros(svd_1st.w.rows, svd_1st.w.rows, CV_64F);// 压缩比例：radio = m*n/(r*(m+n+1))// r = m*n / (radio*(m+n+1))double m = double(image.rows);double n = double(image.cols);double r = m * n/(radio*(m + n + 1));int r_ = int(r);if (r_  >= svd_1st.w.rows){cout << "errors in setting radio!" << endl;return Mat();}//for (int i = 0; i < svd_1st.w.rows; i++)for (int i = 0; i < r_; i++){W_.ptr<double>(i)[i] = svd_1st.w.ptr<double>(i)[0];}Mat image_compressed = svd_1st.u * W_ * svd_1st.vt;image_compressed.convertTo(image_compressed, CV_8U);return image_compressed;
}int main()
{// <1> test SVD API of opencvMat A = (Mat_<double>(3, 2) << 1, 2, 0, 0, 0, 0);cout << "原矩阵 A = " << endl;printMat(A);Mat W, U, Vt;SVD::compute(A,W,U,Vt, SVD::MODIFY_A);cout << "奇异值矩阵 W =" << endl;printMat(W);cout << "左奇异值矩阵 U =" << endl;printMat(U); //U是 3X2. rank(U) = 2; to save space, U has's 2 cols.cout << "右奇异值矩阵（自动转置） Vt =" << endl;printMat(Vt);// <2> recover the matrix 'A'Mat W_ = Mat::zeros(W.rows, W.rows, CV_64F); // 构建奇异值（方）矩阵，不保留0行for (int i = 0; i < W.rows; i++){W_.ptr<double>(i)[i] = W.ptr<double>(i)[0];}Mat A_ = U*W_*Vt;cout << "恢复之后：" << endl;printMat(A_);//*******************************************************************************************************// 压缩图像例子// 假设原矩阵 A 是 m x n;奇异值个数为r（也就是rank(A) = r）// 那么压缩比例：radio = m*n/(r*(m+n+1))// 分母分别是 r*m : 左奇异矩阵元素个数； r*n : 右奇异矩阵元素个数；  r: 奇异值矩阵元素个数Mat image = imread("2.jpg", 0);imshow("image", image);image.convertTo(image, CV_64F);Mat image_1st = compressJPG(image, 0.6);if (!image_1st.empty()){imshow("radio = 0.6", image_1st);imwrite("image_1st.jpg", image_1st);}Mat image_2st = compressJPG(image, 1);if (!image_2st.empty()){imshow("radio = 1", image_2st);imwrite("image_2st.jpg", image_2st);}Mat image_3st = compressJPG(image, 3);if (!image_3st.empty()){imshow("radio = 3", image_3st);imwrite("image_3st.jpg", image_3st);}Mat image_4st = compressJPG(image, 5);if (!image_4st.empty()){imshow("radio = 5", image_4st);imwrite("image_4st.jpg", image_4st);}Mat image_5st = compressJPG(image, 7);if (!image_5st.empty()){imshow("radio = 7", image_5st);imwrite("image_5st.jpg", image_5st);}Mat image_6st = compressJPG(image, 9);if (!image_6st.empty()){imshow("radio = 9", image_6st);imwrite("image_6st.jpg", image_6st);}Mat image_7st = compressJPG(image, 20);if (!image_7st.empty()){imshow("radio = 20", image_7st);imwrite("image_7st.jpg", image_7st);}waitKey(0);return 1;
}

这里比率设置不正确，返回一个提示，不要慌，按照代码里面的设置就行。以下是不同比率下图像效果。

可以看到压缩比率越大，图像失真越明显，即：越模糊，但是图像占用硬盘空间越小，如下是上面6张图保存的结果。

可以看到压缩比率增大，图像体积变小，别小看一张图减小十几kb大小，对于视频网站来讲.......毋庸置疑，开源节流！

四、基于SVD的特征降维

参考：

给出PCA的一般数学步骤：顺便给出一道例题：

依据上述步骤，我们来解一道题：

投影后如图；（顺便：如果用 特征值 2/5 对应的特征向量作为矩阵P；

可以看到，如果映射到一维数轴上，是有信息丢失的。你看下图，是主城成分，二维数据映射到一维空间，）

工程上，数据维度太高，其中又有许多冗余成分；这样处理起来效率不高。这时候，我们可以对数据经行降维。PCA，即：主成成分分析，回想SVD分解图像压缩实例。我们保留最大的几个奇异值，就可以压缩数据的同时，还能最大化减少信息的损失。同理，通过多种线性变换，我们可以将原始数据降维，往往原始数据对应的协方差矩阵的多个奇异值/特征值中，将最大的几个值所对应的特征向量作为线性变换矩阵，可以起到降维作用。如上图，我们便是将最大特征值 2 对应的特征向量 作为矩阵P（P是什么？看上述PCA计算步骤）。你可以看看参考链接，另外为了更好理解PCA，你可以去看看有关PCA的应用，参考：