使用SVD将图像压缩四分之一(MATLAB)

2024-04-06 15:44

本文主要是介绍使用SVD将图像压缩四分之一(MATLAB),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

SVD压缩前后数据量减少的原因在于,通过奇异值分解(SVD),我们将原始数据(如图像)转换成了一种更加紧凑的表示形式。这种转换依赖于数据内部的结构和相关性,以及数据中信息的不均匀分布。

让我们简单分析一下这个过程为何能减少所需的数据量:

数据的结构和相关性

  1. 高度相关的数据:图像数据往往包含大量的空间相关性,即图像中相邻的像素点在颜色和亮度上通常非常接近。这种高度的相关性意味着原始图像可以通过更少的信息来近似表示,而不是独立地存储每一个像素的值。

  2. 信息的不均匀分布:在图像中,并不是所有像素都同等重要。某些区域(如图像中的边缘或纹理)包含了更多的视觉信息,而其他区域(如单一背景)的信息量较少。SVD正是利用了这种不均匀的信息分布,通过优先保留那些信息量大的成分,而忽略那些信息量小的成分,来实现数据压缩。

SVD压缩的工作原理

通过奇异值分解,图像被分解为三个矩阵((U), (\Sigma), (V^T)),其中包含了所有原始数据的信息。但是,我们可以选择只保留前(r)个最大的奇异值及其对应的向量,这样就能用较少的数据来近似原始图像。具体来说:

  • 奇异值((\Sigma)):表示数据中的信息量,大的奇异值对应于数据中的主要特征。通过只保留前(r)个最大的奇异值,我们实际上保留了图像中的主要信息。

  • 左奇异向量((U))和右奇异向量((V^T)):分别代表了图像行和列的基向量。保留前(r)个奇异值意味着我们只需要这些向量的一个子集。

为什么SVD比直接存储像素点节省空间?

直接使用像素点表示图像,我们需要为图像中的每个像素存储一个值(在灰度图像中)或三个值(在彩色图像中)。这种表示方法没有考虑像素之间的相关性和信息的重要性差异。

使用SVD后,我们仅通过三个矩阵((U_r), (\Sigma_r), (V_r^T))的乘积来近似表示原始图像。这三个矩阵的大小小于原始图像矩阵的大小,特别是当(r)远小于图像的原始维度时。因此,需要存储的数据量减少了,这就实现了数据压缩。

综上所述,虽然初始看起来每个像素直接存储似乎更简单、更直接,但通过利用图像数据的内在结构和信息分布的不均匀性,SVD提供了一种更为高效的数据表示方法。通过仅保留最重要的数据成分,它能够以更小的数据量来近似原始图像,从而达到数据压缩的目的。

MATLAB代码

clc;
clearvars;
close all;
% A_org=double(imread("lena.bmp"));
A_org=double(imread("lena256.bmp"));
[m_org,n_org]=size(A_org);
disp("原始图像像素个数:");
org_size=m_org*n_org;
disp(org_size);compr=uint8(m_org*0.11);
[U_red ,S_red , V_red,A_red]  = svd_compress( A_org, compr );[m_U,n_U]=size(U_red);
U_size=m_U*n_U;[m_S,n_S]=size(S_red);
S_size=m_S*n_S;[m_V,n_V]=size(V_red);
V_size=m_V*n_V;red_size=U_size+S_size+V_size;
disp("压缩后像素个数:");
disp(red_size);disp("压缩比例:");
disp(red_size/org_size);[m_red,n_red]=size(A_red);
disp("压缩后原始图像像素个数");
disp(m_red*n_red);disp("PSNR:");
my_psnr=psnr(uint8(A_org),uint8(A_red));
disp(my_psnr);function [ U_red ,S_red , V_red,A_red ] = svd_compress( A_org, compr )% svd_compress compresses an input matrix (e.g. an image) using the
% Singular Value Decomposition (SVD).
%   Input args: A_org: Any matrix with double real entries, e.g. an image 
%   file (converted from uint8 to double).
%   compr: Quality of compression. If 0 <= compr < 1, it only keeps
%   Singular Values (SVs) larger than compr times the biggest SV. If 1 <= 
%   compr <= number of SVs, it keeps the biggest compr SVs. Otherwise the 
%   function returns an error.
%   Output args: A_red: Compressed version of A_org in double using the
%   SVD, e.g. an image file (convert from double to uint8).% SVD on the original matrix
[U,S,V] = svd(A_org);% Extract Singular Values (SVs)
singvals = diag(S);% Determine SVs to be saved
if compr >= 0 && compr < 1% only SVs bigger than compr times biggest SVindices = find(singvals >= compr * singvals(1));
elseif compr >= 1 && compr <= length(singvals)% only the biggest compr SVsindices = 1:compr;
else% return errorerror('Incorrect input arg: compr must satisfy 0 <= compr <= number of Singular Values');
end% Truncate U,S,V
U_red = U(:,indices);
S_red = S(indices,indices);
V_red = V(:,indices);% Calculate compressed matrix
A_red = U_red * S_red * V_red';end

运行结果

在这里插入图片描述

SVD参考代码

https://github.com/matzewolf/Image_compression_SVD/blob/master/svd_compress.m

这篇关于使用SVD将图像压缩四分之一(MATLAB)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/880222

相关文章

vue使用docxtemplater导出word

《vue使用docxtemplater导出word》docxtemplater是一种邮件合并工具,以编程方式使用并处理条件、循环,并且可以扩展以插入任何内容,下面我们来看看如何使用docxtempl... 目录docxtemplatervue使用docxtemplater导出word安装常用语法 封装导出方

Linux换行符的使用方法详解

《Linux换行符的使用方法详解》本文介绍了Linux中常用的换行符LF及其在文件中的表示,展示了如何使用sed命令替换换行符,并列举了与换行符处理相关的Linux命令,通过代码讲解的非常详细,需要的... 目录简介检测文件中的换行符使用 cat -A 查看换行符使用 od -c 检查字符换行符格式转换将

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Elasticsearch 在 Java 中的使用教程

《Elasticsearch在Java中的使用教程》Elasticsearch是一个分布式搜索和分析引擎,基于ApacheLucene构建,能够实现实时数据的存储、搜索、和分析,它广泛应用于全文... 目录1. Elasticsearch 简介2. 环境准备2.1 安装 Elasticsearch2.2 J

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

Java中List的contains()方法的使用小结

《Java中List的contains()方法的使用小结》List的contains()方法用于检查列表中是否包含指定的元素,借助equals()方法进行判断,下面就来介绍Java中List的c... 目录详细展开1. 方法签名2. 工作原理3. 使用示例4. 注意事项总结结论:List 的 contain

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

Android中Dialog的使用详解

《Android中Dialog的使用详解》Dialog(对话框)是Android中常用的UI组件,用于临时显示重要信息或获取用户输入,本文给大家介绍Android中Dialog的使用,感兴趣的朋友一起... 目录android中Dialog的使用详解1. 基本Dialog类型1.1 AlertDialog(

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意