建模案例二基于SVD算法的图片压缩程序.doc

建模案例二：基于SVD算法的图片压缩程序 一、矩阵的奇异值 在第四章中，我们知道满足了实对称方阵的特征值都是实数，而且，任一实对称方阵可以正交相似对角化。对于矩阵，由于,是对称矩阵，所以矩阵可以正交相似对角化，设是矩阵的特征值，是对应的单位特征向量，那么对于 所以，的特征值都是非负数，因为必要，我们将其特征值按照从大到小重新排列 的奇异值是的特征值的平方很，记为，且它们用递减顺序排列，也就是对。 二、矩阵的奇异值分解 矩阵的分解涉及一个“对角”矩阵，其形式为 （1） 此处，是一个对角矩阵，且。 定理 设是秩为的矩阵，那么存在一个类似于（1）的矩阵，此时的对角线元素是的前个奇异值，，并且存在一个正交矩阵和一个正交矩阵，使得. 任何分解称为的一个奇异值分解（singular value decomposition，简记为SVD）,其中矩阵和并不是由唯一确定。 在MATLAB里，库函数用于求矩阵的奇异值分解，它既有数值功能，又有符号功能。 求矩阵的奇异值分解。 解 A=[1,2,3;4,5,6;7,8,9;10,11,12]; svd(A) ans = 25.4624 1.2907 0.0000 [U,D,V]=svd(A) U = -0.1409 0.8247 0.5473 -0.0221 -0.3439 0.4263 -0.7133 0.4373 -0.5470 0.0278 -0.2153 -0.8085 -0.7501 -0.3706 0.3813 0.3932 D = 25.4624 0 0 0 1.2907 0 0 0 0.0000 0 0 0 V = -0.5045 -0.7608 -0.4082 -0.5745 -0.0571 0.8165 -0.6445 0.6465 -0.4082 所以，矩阵的奇异值为，且存在正交矩阵 使得,其中 。 三、矩阵的秩逼近 由的奇异值分解 可见，是矩阵的加权和，其中是权重。若将奇异值按递减顺序排列 显然，奇异值大的项对矩阵的贡献大。因此，当舍去了权重小的部分项后仍然能够较好地“逼近”，这一特性常被用来压缩图像。 矩阵的秩逼近定义为 四、基于SVD算法的图像压缩 图像的每一个点对应一个像素。在8位的数字图像中，灰度图像的像素是一个介于0—255间的整数，以表示点的亮度；RGB彩色图像的像素是一个三元整数组（R，G，B），分别表示原色红、绿、蓝的亮度。 长方形的图片可以用一个横竖均匀划分的离散网格来覆盖，每一个网格对应一个像素，它是该网格上各点像素的均值。这样，长方形的灰度图片就可以用一个矩阵表示；而彩色图片就用三个矩阵（分别对应原色红、绿、蓝亮度）表示。SVD算法压缩图像的算法可以描述如下： STEP1：用imread函数读入图数据，放在矩阵A中；STEP2：根据需要输入秩k的值； STEP3：从A中取出表示红、绿、蓝亮度的矩阵，记为矩阵A；STEP4：分别计算A的秩k逼近； STEP5：用矩阵分别近似表示红、绿、蓝的亮度矩阵，构造（即A的秩k逼近）； STEP6：用imwrite函数将中的数据写到指定的图文件。 clear; InputName=input(\n请输入要压缩的图片名，例如C:\\Flower.jpg,请输入C:\\Flower\n\n,s); ImageExt=jpg; A=imread(InputName,ImageExt); imshow(A); A=im2double(A); [m,n]=size(A); Dimensions_of_the_picture_matrix=[m,n]; Rank=input(\n请输入秩: \n\n,s); OutputName=input(\n请输入压缩后的图片名，例如C:\\Flowercpd.jpg\n\n,s); OutputExt=jpg; NewA=im2uint8(zeros(m,n)); [U,D,V]=svd(A); [m n]=size(D); New=zeros(m,n); for k=1:Rank New=New+D(k,k)*(U(:,k)*V(:,k)); end NewA(:,:)=im2uint8(New