奇异值分解压缩图像[实用论文].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T即可。需要总的存储量为2?n? N,相当于压缩了N/2n倍。恢复图像时只需以T?X1即可恢复图像,当然,我们只取了特征值较大的几个向量,舍弃了特征值较小的向量,对原图像肯定有影响,是有损压缩。 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)，再采用奇异值分解的方法压缩图像。 首先将N?N的图像变成K2?M2维的矩阵X,矩阵的一列是一个小图像的灰度值,因此有K2行, M2列。原图像中的小图像和小图像中元素的编号由从左到右，从上倒下的顺序编号，便于以后恢复，如下图所式： 图中大方格表示小图像，有M2个；第一个大方格中的小方格是对小方格元素的编号，可以看出来每个小图像有K2个元素。 接下来对X进行奇异值分解，和方案1的方法一样。不同的是假设留n个 特征向量，需要的存储数据为n? (K2+ M2)，压缩比为(K2?M2)/ (n? (K2+ M2))。 恢复数据时还需要将K2?M2的矩阵在变回N?N的矩阵，恢复图像。 MATLAB程序： 方案1的程序是”svd_cprs1.m”,方案2的程序见”svd_cprs2.m”，这两个程序均是采用“1.jpg”,512?512个点的灰度图像,便于对两种方法作比较. 试验结果及比较： 对于1方案只有一个可调参数即选取的特征值和特征向量的数目n，调整n既可以得到不同的压缩比。而对于方案2则有两个参数可调，即K(M是由N/K决定)和n,首先我们在取相通压缩比的情况下对两种方案进行比较，为方便比较，K取比较典型的值8。 其次，对方案2我们取不同的K值情况下，取相同的压缩比对不同K值对方案的影响进行了分析。 相同压缩比，方案1与方案2（K取8）的比较： 图1 原图像 四倍压缩： 图2 四倍压缩后恢复图像的效果比较 左图为方案1结果，右图为方案2结果 八倍压缩： 图3 八倍压缩后恢复图像的效果比较 左图为方案1结果，右图为方案2结果 十六倍压缩： 图4 十六倍压缩后恢复图像的效果比较 左图为方案1结果，右图为方案2结果 相同压缩比，不同K值的方案2比较： 八倍压缩： 图5 八倍压缩后恢复图像的效果比较 左图K=8，中图K=16,右图K=32 十六倍压缩： 图6十六倍压缩后恢复图像的效果比较 左图K=8，中图K=16,右图K=32 六十四倍压缩： 图7六十四倍压缩后恢复图像的效果比较 左图K=8，中图K=16,右图K=32 试验结果的分析： 方案2明显优于方案1。 从两种压缩方案效果的对比中，我们很容易看出方案2明显优于方案1。虽然两种方案都用的是矩阵的奇异值分解，不同的地方在于方案2在用奇异值分解的之前先将图像分成了M?M个小图像，我们求的奇异值是每个小图像的奇异值的平均，由于相邻像素点相关性比较强，因此只需要比较少的特征向量即可在比较大的压缩比情况下获得更好的图像质量。也就是说，在保证相同成像质量的前提下，方案2的压缩比要远大于方案1的压缩比。 方案2中的K值应选取在10左右。 对于方案2来说，如何选取K值也是一个比较重要的问题。理论上，K值越小，小图像的个数越多，第一个特征向量包含的图像信息也就越多，在选取相同数量的特征向量时成出来的像也就越好，但是方案2理论上能达到的最大的压缩比是K2,因此K越小，能达到的最大压缩比也就越小。另一方面，K值越大，能达到的压缩比也就越大，理论上K=M以保