矩阵在图像处理中的若干应用11资料.docVIP

矩阵在图像处理中的若干应用 1绪论 目前，随着科学技术的高速发展，现实生活中有大量的信息用数字进行存储、处理和传送。而传输带宽、速度和存储器容量等往往有限制，JPEG 等许多标准都已经得到了广泛的应用。奇异值分解(Singular Value Decomposition ，SVD) 2矩阵的奇异值分解原理 2.1矩阵的奇异值 设，，是的特征值，是的特征值，它们都是实数。且设 则特征值与之间的关系为：，。 设， 的正特征值，的正特征值，称， 是的正奇异值，简称奇异值。若是正规矩阵，则的奇异值是的非零特征向量的模长。 2.2矩阵的奇异值分解（SVD） 若，是的个正奇异值，则存在阶酉矩阵和阶酉矩阵，满足： 其中，，为奇异对角阵。满足是对角阵，满足是对角阵。的第列为的对应于奇异值对应的左奇异向量，的第列为的对应于奇异值对应的右奇异向量。它们的每一列均为单位向量，且各列之间相互正交。 若，是的个正奇异值，则总有次酉矩阵，满足：，其中。 奇异值分解是一种基于特征向量的矩阵变换方法。奇异值分解是现代数值的最基本和最重要的工具之一。3矩阵的奇异值分解在图像压缩中的应用 3.1奇异值分解压缩原理分析 用奇异值分解来压缩图像的基本思想是对图像矩阵进行奇异值分解，选取部分的奇异值和对应的左、右奇异向量来重构图像矩阵。根据奇异值分解的图像性质1和4可以知道，奇异值分解可以代表图像的能量信息，并且可以降低图像的维数。如果表示个维向量，可以通过奇异值分解将表示为个维向量。若的秩远远小于和，则通过奇异值分解可以大大降低的维数。 对于一个像素的图像矩阵，设，其中，。按奇异值从大到小取个奇异值和这些奇异值对应的左奇异向量及右奇异向量重构原图像矩阵。如果选择的，这是无损的压缩；基于奇异值分解的图像压缩讨论的是，即有损压缩的情况。这时，可以只用个数值代替原来的个图像数据。这个数据分别是矩阵的前个奇异值， 左奇异向量矩阵的前列和 右奇异向量矩阵的前列元素。 (2) 称为图像的压缩比。 显然，被选择的奇异值的个数应该满足条件，即。故在传送图像的过程中，不需要传个数据，而只需要传个有关奇异值和奇异向量的数据即可。接收端，在接收到奇异值以及左奇异向量和右奇异向量后，可以通过： 重构出原图像矩阵。与的误差为： 某个奇异值对图像的贡献可以定义为，对一幅图像来说，较大的奇异值对图像信息的贡献量较大，较小的奇异值对图像的贡献较小。假如接近1，该图像的主要信息就包含在之中。通常图像的奇异值都具大L 曲线，只有不多的一些比较大的奇异值，其它的奇异值相对较小，因此一般只需要比较小的k 就使接近1。在满足视觉要求的基础上，按奇异值的大小选择合适的奇异值个数，就可以通过将图像恢复。越小，用于表示的数据量就小，压缩比就越大，而越接近，则与就越相似。在一些应用场合中，如果是规定了压缩比，则可以由式求出，这时也同样可以求出。 3.2在对图像进行操作时，因为矩阵的维数一般较大，直接进行奇异值分解运算量大可以将图像分解为子块，对各子块进行奇异值分解并确定奇异值个数，将每个子块进行重构。这样操作除了因为对较小型的矩阵进行奇异值分解的计算量比较小外，另一方面是为了利用原始图像的非均匀的复杂性。如果图像的某一部分比较简单，那么只需要少量的奇异值，就可以达到满意的近似效果。 为了保证图像的质量就需要较多的奇异值。但是各个子块的奇异值数目， 大小各不相同， 因此可以考虑为每个子块自适应的选择适当的奇异值数目。一种简单的方法是定义奇异值贡献量的和来选择，其中是一个接近1的数。对常见的256 ×256 .bmp格式的图像（位图），划分为4×4个子块，每个子块大小为64×64。对每个子块根据来选择所需要的奇异值数目。增大的值来选择奇异值数目，可以推理得随着不断增大，视觉效果越来越好。随着不断增大，需要的奇异值也增多，压缩比会减小。 44.1数字图像置乱的数学性质 置乱原理：将原来点处的像素对应的灰度值或RGB颜色值移动到变换后的点处，数字图像的置乱有基于位置空间、色彩空间和频率空间的置乱变换。 置乱具有周期性，如果对一个数字图像反复地使用置乱变换，当经过一定周期的迭代后，会出现复现原图像。我们构造自同构变换如下： (5) 则置乱次数及k可作为隐藏系统的密码，从而提高了系统的安全性和保密性。 4.2数字图像的奇异值分解 一幅静态图像，实质上就是一个彩色或灰度像素矩阵，在线性代数中，矩阵的特征值是矩阵特征的体现，而矩阵的奇异值在体现矩阵特征方面，要优于特征值，图像矩阵的奇异值反映了图像的“能量特性”，对应奇异向量则反映了图像的“几何特性”，它对图像的灰度变化具有不敏感性，图像奇异值的细微变化不会引起图像视