基于奇异值分解的图像压缩.ppt

基于奇异值分解的图像压缩及实现 小组成员： 吴朝霞 卜秋月 钟以婷 殷沙沙 实验方法及原理 奇异值：矩阵A的奇异值定义如下：设（r0），且的特征值分别为 奇异值分解定理：设Σ=diag()，由式（1）可知，（i=1，2，…，r）为A的非零奇异值。U为m阶酉矩阵（n阶复方阵U的n个列向量是U空间的一个标准正交基，则U是酉矩阵），V为n阶酉矩阵，若满足矩阵等式 （2） 则称式（2）为A的奇异值分解。 若U写成U =[ ]的形式，V写成V=[ ]的形式，则式（2）可写成如下形式： （3） 由于大的奇异值对图像的贡献大，小的奇异值对图像的贡献小，所以可以从r个奇异值生成矩阵中选取前k个（kr）近似表示图像A，即取： 　 （4） 近似表示图像A。 存储图像A需要mn个数值，存储图像需（m+n+1）k个数值，若取 　 （5） 则可达到压缩图像的目的，比率 （6） 称为压缩率 实验过程 1. 实验数据来源： 本实验所需要的实验原图片是lena.bmp， 处理后的图片设置为lena2.bmp。并获取图片的描述矩阵，为512*512阶8位的方阵。设为A，同时也是原始矩阵，本实验主要是对A进行奇异值分解，用一个更小阶的矩阵来描述A，从而达到实验目的。 2.实验过程： 提取图像lena.bmp数据，将图片读入Matlab中，存储的是数据矩阵并且设置为512*512的矩阵A，将矩阵A中的数据转换为double型，以适应svd函数的要求，运用函数[U,S,V]=svd(A)进行图像的奇异值分解，分别得到对角奇异值矩阵S为512*1阶，以及U左奇异值矩阵为512*512阶，V右奇异值矩阵为512*512阶。将S对角化后，显示的奇异值见图1： 然后利用分解后的矩阵重构原矩阵A，并进行数据格式转换，设置压缩数k，分别令k=40、80、120、160、200五个数据，利用svds函数将选择k之后的新矩阵进行A的重构，即运用U*S*V’进行重构，其中S为40*40的对角矩阵，U为512*40的左奇异值矩阵，V为512*40的右奇异值矩阵，重构时需将重构的矩阵进行字型转换为uint8类，将重构后的矩阵放置在outfile中，最后显示重构后的图像。（ Matlab实现代码见附录1. ） 附录1 infile=E:\lena.bmp; A=imread(infile); imshow(A);xlabel(‘原始图像’); A=double(A); [U,S,V]=svd(A); S=diag(S); plot(S);xlabel(‘奇异值曲线’); k=40; [U,S,V]=svds(A,k); im=uint8(U*S*V); imwrite(im,outfile); imshow(im); k=80; [U,S,V]=svds(A,k); im=uint8(U*S*V); imwrite(im,outfile); imshow(im) k=120; [U,S,V]=svds(A,k); im=uint8(U*S*V); imwrite(im,outfile); imshow(im) k=160; [U,S,V]=svds(A,k); im=uint8(U*S*V); imwrite(im,outfile); imshow(im) k=200; [U,S,V]=svds(A,k); im=uint8(U*S*V); imwrite(im,outfile); imshow(im) 3.压缩与解压流程设计 （1）图片压缩流程如图2所示： （2）图像重构流程图见图3 . 实验结论 由式（5）、（6）可知，如果从分解后的对角矩阵中选择k个大奇异值以及这些奇异值相对应的左