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

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1

Pandas透视表(Pivot Table)的具体使用

《Pandas透视表(PivotTable)的具体使用》透视表用于在数据分析和处理过程中进行数据重塑和汇总,本文就来介绍一下Pandas透视表(PivotTable)的具体使用,感兴趣的可以了解一下... 目录前言什么是透视表?使用步骤1. 引入必要的库2. 读取数据3. 创建透视表4. 查看透视表总结前言

Python 交互式可视化的利器Bokeh的使用

《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感... 目录1. Bokeh 简介1.1 为什么选择 Bokeh1.2 安装与环境配置2. Bokeh 基础2

Android使用ImageView.ScaleType实现图片的缩放与裁剪功能

《Android使用ImageView.ScaleType实现图片的缩放与裁剪功能》ImageView是最常用的控件之一,它用于展示各种类型的图片,为了能够根据需求调整图片的显示效果,Android提... 目录什么是 ImageView.ScaleType?FIT_XYFIT_STARTFIT_CENTE

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost?使用 AdaBoost 的步骤安装必要的库步骤一:数据准备步骤二:模型

使用Pandas进行均值填充的实现

《使用Pandas进行均值填充的实现》缺失数据(NaN值)是一个常见的问题,我们可以通过多种方法来处理缺失数据,其中一种常用的方法是均值填充,本文主要介绍了使用Pandas进行均值填充的实现,感兴趣的... 目录什么是均值填充?为什么选择均值填充?均值填充的步骤实际代码示例总结在数据分析和处理过程中,缺失数

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

解决Maven项目idea找不到本地仓库jar包问题以及使用mvn install:install-file

《解决Maven项目idea找不到本地仓库jar包问题以及使用mvninstall:install-file》:本文主要介绍解决Maven项目idea找不到本地仓库jar包问题以及使用mvnin... 目录Maven项目idea找不到本地仓库jar包以及使用mvn install:install-file基

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http