奇异值分解压缩图像.docVIP

奇异值分解压缩图像 利用奇异值分解压缩图像。具体做法：将一幅N(N的灰度图像切分成K(K的小图像，共有M(M个, M=(N/K). 每个图像记为IMG(s),s=1,2,…,M2。 首先求得这M2的均值，不妨记为， 对每幅图像减去均值得到新的图像，不妨仍旧记为IMG(k)。定义两幅图像的内积为它们相应像素乘积的和。这时我们可以得到一个K2维向量的相关矩阵R。它的元素定义为R(i, j; k, l )=，0(i,j,k,l(K(1。这样可以求得R的特征值和特征向量图像。注意每个特征向量都是K2维的。选取前面几个较大的特征值对应的特征向量，对每幅小图像计算它们和特征向量的内积，这就是编码。对于恢复图像，仅需要利用这些内积和相应特征图像乘积然后求和，再加上均值图像，就可得到原图像的一个近似。注意在叙述中我们对矩阵下标使用了两个变量，这主要是为了和图像对应。其实可以非常方便的转换为单变量，如I=i +K(j. 这样0( I (K2(1，另一下标类似。讨论压缩率和实际效果的关系。 编程思路： 直接对N(N的图像进行奇异值分解。对图像减去均值，得到新的图像X，然后求出新图像的自相关矩阵A（N( N）,求得R的特征值和特征向量图像。选取前面n个较大的特征值对应的特征向量组成矩阵T(N(n),计算特征向量转置矩阵T’ 和新图像X的乘积X1=T’ (X，这就是对图像的编码，只需存储X1和特征向量矩阵