基于SVD变换图像压缩的VC实现.docVIP

基于SVD变换图像压缩的VC实现 　　摘要:通过对奇异值分解的基本原理和特点的分析,总结出运用奇异值分解进行数字图像压缩的基本方法和步骤,并以VC程序调用MatrixC++库[1]的形式加以实现,表明了该方法的有效性。 　　关键词:图像处理;图像压缩;压缩率;奇异值分解 　　中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2010)10-2483-04 　　VC Implementation based on SVD Transform Image Compression 　　SONG Feng 　　(Department of Armaments, 93033 Peoples Liberation Army Troops, Shenyang 110411, China) 　　Abstract: Based on the basic principles and characteristics of the analysis of singular value decomposition, summarized the basic methods and steps of digital image compression by use of singular value decomposition,and then call the VC program Matrix C + + library [1] to be achieved that demonstrated the effectiveness of this method. 　　Key words: image processing; image compression; compression rate; singular value decomposition 　　奇异值分解变换(singular value decomposition)即SVD变换,是一种对非对称矩阵的正交变换,它通过特征分析得出基函数,是一种以特征向量为基础的变换。这种变换被广泛应用于数字图像处理(尤其是在图像变换)领域,就发展为基于图像统计特性的变换。 　　1 基本原理 　　从矩阵论的角度来看,奇异值分解可定义如下:若A是m×n的实矩阵,且A的秩为r(r∈[0,min(m,n)]),则存在m阶正交矩阵U和n阶正交矩阵V使得: 　　其中∑是非负对角矩阵,且,是A的全部非零奇异值。矩阵ATA和AAT具有相同的特征值λ,且λ的平方根就是A的奇异值,即:。SVD变换的结果就是得到有一子块为对角矩阵而其余阵元均为零的矩阵。 　　若A为数字图像,则一个M×N实值图像A可以看作是MN维空间中的一个向量,也可将此图像表示在r维子空间,为r矩阵[A]的秩。由奇异值分解的定义[2]可得: 　　 (1) 　　 S=VAUT(2) 　　式(1)和(2)所表示的正反变换对,叫做奇异值分解(SVD)变换。其中,σi是A的非零奇异值,U和V分别是M×r和N×r矩阵,它们的列向量分别是ATA和AAT的正交特征向量,uiviT可以看作是一个基图像,则数字图像A表示为r个秩为1的基图像的加权和,权系数是奇异值σi。 　　U和V的核矩阵取决于图像A,进行图像的SVD变换一般需要计算图像A的ATA和AAT特征向量。图像按奇异值分解后,有如下性质: 　　1)图像的奇异值代表图像的能量信息,因而具有稳定性; 　　2)图像的奇异值具有比例不变性; 　　3)图像的奇异值具有旋转不变性。 　　因此,图像的奇异值变换在图像特征提取、压缩、检索、匹配、数字水印等领域应用广泛。以图像压缩为例,当前对图像压缩的算法有很多,且各有不同的特点[3]。数字图像 A经奇异值分解后,其纹理和几何信息都集中在U、V 之中[4],而∑中的奇异值则代表它刻画了图像的能量信息,若N≤M,则对角阵 至多有N个非零元素,至少可以获得M倍的无损压缩。同时,奇异值中总有一些小到可以被忽略的值,忽略这些值依然可得到满意的视觉效果,则选择合适的奇异值个数来实现图像的有损压缩,可以得到更高的压缩比。奇异值个数选取的越少,图像的压缩比率就越大。调节压缩率可以达到不同的压缩效果,是一种实现过程简单、有效的压缩方法,具有一定的应用前景。下面举例说明: 　　对于一个的8×8图像矩阵A进行奇异值分解,得到三个矩阵分别为:U(8×8)、S(8×8)、V(8×8): 　　矩阵A分解后,由其非负对角矩阵S可以得到A的奇异值个数为8个。为了实现矩阵的压缩,取4个奇异值,得到压缩率为50%,则相应的矩阵U、V也取为U1(8×4)、V1(8×4)。重新计算得到压缩后的矩阵A1(8×8): 　　矩阵A和矩阵A1差距不大,说明应用