图像分解python_利用奇异值分解(SVD)进行图像压缩-python实现
首先要声明,图片的算法有很多,如JPEG算法,SVD对图片的压缩可能并不是最佳选择,这里主要说明SVD可以降维
相对于PAC(主成分分析),SVD(奇异值分解)对数据的列和行都进行了降维,左奇异矩阵可以用于行数的压缩。相对的,右奇异矩阵可以用于列数即特征维度的压缩,也就是我们的PCA降维。
一张二维n*m的灰度图片可以看做是n*m的矩阵,利用SVD可以实现对二维图像的压缩
1、按照灰度图片进行压缩:
#-*- coding: utf-8 -*
import numpy as np
from PIL import Image
def svd_restore(sigma, u, v, K):
K = min(len(sigma)-1, K) #当K超过sigma的长度时会造成越界
print 'Now restore the image with %d ranks' % K
m = len(u)
n = v[0].size
SigRecon = np.zeros((m, n)) #新建一int矩阵,储存恢复的灰度图像素
for k in range(K+1): #计算X=u*sigma*v
for i in range(m):
SigRecon[i] += sigma[k] * u[i][k] * v[k]
SigRecon = SigRecon.astype('uint8') #计算得到的矩阵还是float型,需要将其转化为uint8以转为图片
Image.fromarray(SigRecon).save("svd_" + str(K) + "_" +image_file) #保存灰度图
image_file = u'1.jpg'
if __name__ == '__main__':
im = Image.open(image_file) #打开图像文件
im = im.convert('L') #将原图像转化为灰度图
im.save("Gray_" + image_file) #保存灰度图
w, h = im.size #得到原图的长与宽
dt = np.zeros((w, h), 'uint8') #新建一int矩阵,储存灰度图各像素点数据
for i in range(w): #逐像素点复制,由于直接对im.getdata()进行数据类型转换会有偏差
for j in range(h):
dt[i][j] = im.getpixel((i, j))
dt = dt.transpose() #复制过来的图像是原图的翻转,因此将其再次翻转到正常角度
u, sigma, v = np.linalg.svd(dt)#调用numpy库进行SVM
u = np.array(u) #转为array格式,方便进行乘法运算
v = np.array(v) #同上
for k in [1, 10, 20, 30, 50, 80, 100, 150, 200, 300, 500]:
svd_restore(sigma, u, v, k)#使用前k个奇异值进行恢复
奇异值分别取1, 10, 20, 30, 50, 80, 100, 150, 200, 300, 500的降维压缩效果(原始图片为1.jpg)
2、按照彩色图片进行压缩
#-*- coding: utf-8 -*
from PIL import Image
import numpy as np
def rebuild_img(u, sigma, v, p):#p表示奇异值的百分比
#print p
m = len(u)
n = len(v)
a = np.zeros((m, n))
count = (int)(sum(sigma))
curSum = 0
k = 0
print sigma[0:2],count* p
while curSum <= count * p:
uk = u[:, k].reshape(m, 1)
vk = v[k].reshape(1, n)
#print curSum,count,'--------',k
a += sigma[k] * np.dot(uk, vk)
curSum += sigma[k]
k += 1
#print k
print 'k:',k
a[a < 0] = 0
a[a > 255] = 255
#按照最近距离取整数,并设置参数类型为uint8
return np.rint(a).astype("uint8")
if __name__ == '__main__':
img = Image.open(u'招商.jpg', 'r')
a = np.array(img)
#print a[:, :, 0]
# u, sigma, v = np.linalg.svd(a[:, :, 0])
# R = rebuild_img(u, sigma, v, 0.9)
for p in np.arange(0.1, 1, 0.1):
u, sigma, v = np.linalg.svd(a[:, :, 0])
R = rebuild_img(u, sigma, v, p)
u, sigma, v = np.linalg.svd(a[:, :, 1])
G = rebuild_img(u, sigma, v, p)
u, sigma, v = np.linalg.svd(a[:, :, 2])
B = rebuild_img(u, sigma, v, p)
I = np.stack((R, G, B), 2)
#保存图片在img文件夹下
Image.fromarray(I).save("aq\\svd_" + str(int(p * 100)) + ".jpg")
RGB三个通道信息量均按照按照0.1-0.9压缩的图片对比:
2、matplotlib展示压缩前后对比(灰度)
#-*- coding: utf-8 -*
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
def pic_compress(k, pic_array):
u, sigma, vt = np.linalg.svd(pic_array)
sig = np.eye(k) * sigma[: k]
new_pic = np.dot(np.dot(u[:, :k], sig), vt[:k, :]) # 还原图像
size = u.shape[0] * k + sig.shape[0] * sig.shape[1] + k * vt.shape[1] # 压缩后大小
return new_pic, size
filename = u"招商.jpg"
ori_img = np.array(ndimage.imread(filename, flatten=True))
new_img, size = pic_compress(100, ori_img)
print("original size:" + str(ori_img.shape[0] * ori_img.shape[1]))
print("compress size:" + str(size))
fig, ax = plt.subplots(1, 2)
ax[0].imshow(ori_img)
ax[0].set_title("before compress")
ax[1].imshow(new_img)
ax[1].set_title("after compress")
plt.show()
运行效果:
参考文献:
利用奇异值分解(SVD)简化数据
特征值与特征向量 下面这部分内容摘自:强大的矩阵奇异值分解(SVD)及其应用 特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法.两者有着很紧密的关系,在接下来会谈到,特征值分解和奇异值分解的 ...
一步步教你轻松学奇异值分解SVD降维算法
一步步教你轻松学奇异值分解SVD降维算法 (白宁超 2018年10月24日09:04:56 ) 摘要:奇异值分解(singular value decomposition)是线性代数中一种重要的矩阵分 ...
机器学习实战(Machine Learning in Action)学习笔记————10.奇异值分解(SVD)原理、基于协同过滤的推荐引擎、数据降维
关键字:SVD.奇异值分解.降维.基于协同过滤的推荐引擎作者:米仓山下时间:2018-11-3机器学习实战(Machine Learning in Action,@author: Peter Harr ...
数学基础系列(六)----特征值分解和奇异值分解(SVD)
一.介绍 特征值和奇异值在大部分人的印象中,往往是停留在纯粹的数学计算中.而且线性代数或者矩阵论里面,也很少讲任何跟特征值与奇异值有关的应用背景. 奇异值分解是一个有着很明显的物理意义的一种方法,它可 ...
转载:奇异值分解(SVD) --- 线性变换几何意义(下)
本文转载自他人: PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理 ...
奇异值分解(SVD) --- 几何意义
原文:http://blog.sciencenet.cn/blog-696950-699432.html PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD ...
[机器学习笔记]奇异值分解SVD简介及其在推荐系统中的简单应用
本文先从几何意义上对奇异值分解SVD进行简单介绍,然后分析了特征值分解与奇异值分解的区别与联系,最后用python实现将SVD应用于推荐系统. 1.SVD详解 SVD(singular value d ...
用 GSL 求解超定方程组及矩阵的奇异值分解(SVD)
用 GSL 求解超定方程组及矩阵的奇异值分解(SVD) 最近在学习高动态图像(HDR)合成的算法,其中需要求解一个超定方程组,因此花了点时间研究了一下如何用 GSL 来解决这个问题. GSL 里是有最 ...
奇异值分解(SVD)原理详解及推导(转载)
转载请声明出处http://blog.csdn.net/zhongkejingwang/article/details/43053513 在网上看到有很多文章介绍SVD的,讲的也都不错,但是感觉还是有 ...
随机推荐
利用SQL Server 2008 R2创建自动备份计划
本文主要利用SQL Server 2008 R2自带的"维护计划"创建一个自动备份数据的任务. 首先,启动 Sql Management studio,确保"SQL Se ...
[实践] Android5.1.1源码 - 让某个APP以解释执行模式运行
[实践] Android5.1.1源码 - 让某个APP以解释执行模式运行 作者:寻禹@阿里聚安全 前言 本文的实践修改了Android5.1.1的源码. 本文只简单的讲了一下原理.在“实践”一节 ...
Java语言程序设计(基础篇) 第六章 方法
第六章 方法 6.2 定义方法 1.方法的定义由方法名称.参数.返回值类型以及方法体组成. 2.定义在方法头中的变量称为形式参数(formal parameter)或者简称为形参(parameter) ...
bzoj2466: [中山市选2009]树
同上一题.(应该可以树形dp,然而我不会... #include #include #include #inc ...
C++拾遗(十)类与动态内存分配(2)
静态成员函数 声明时包含关键字static.注意以下两点: 1.使用静态成员函数时不能通过对象或者this指针来调用,只能使用类名+作用域解析符来调用. 2.静态成员函数只能使用静态成员. new操作 ...
php中页面跳转部分方法论述
假设当前页面:http://localhost:80/index.php 1.include echo “include t1.php”; 跳转后,url地址栏http://localhost:80/ ...
laravel 5.5 《电商实战 》辅助函数
Laravel 提供了很多 辅助函数,有时候我们也需要创建自己的辅助函数. 这里介绍了 tinker,一个laravel内置的php交互式控制台,方便调试php代码 php artisan tinke ...
面试题07_用两个栈实现队列——剑指offer系列
题目描写叙述: 用两个栈实现一个队列. 队列的声明例如以下,请实现它的两个函数appendTail 和 deleteHead.分别完毕在队列尾部插入结点和在队列头部删除结点的功能. 解题思路: 栈的特 ...
URAL 1994 The Emperor&#39;s plan
期望$dp$. $dp[i][j]$表示第$1$种人有$i$个,第$2$种人有$j$个的情况下,到达目标状态的期望值.初始化$dp[i][0]=i$. 枚举一下这个状态死多少人,取个$max$,最后$ ...
图像分解python_利用奇异值分解(SVD)进行图像压缩-python实现相关推荐
- 矩阵分解之: 特征值分解(EVD)、奇异值分解(SVD)、SVD++
目录: 1.矩阵分解 1.1 矩阵分解的产生原因 1.2 矩阵分解作用 1.3 矩阵分解的方法 1.4 推荐学习的经典矩阵分解算法 2. 特征值分解(EVD) 3. 奇异值分解(SVD) 4. SVD ...
- 矩阵分解之特征值分解(EVD)、奇异值分解(SVD)、SVD++
矩阵分解之: 特征值分解(EVD).奇异值分解(SVD).SVD++_人鱼线的博客-CSDN博客_evd分解 矩阵的特征分解和奇异值(SVD)分解--求法和意义_奔跑的Yancy的博客-CSDN博客_ ...
- MATLAB可视化实战系列(四十二)-图像特征提取-使用低秩 SVD 进行图像压缩实例
使用低秩 SVD 的图像压缩 以下是我为大家准备的几个精品专栏,喜欢的小伙伴可自行订阅,你的支持就是我不断更新的动力哟! MATLAB-30天带你从入门到精通 MATLAB深入理解高级教程(附源码) ...
- 【Matlab】特征值分解eig和奇异值分解svd
前言:当A是方阵时,使用eig特征值分解和实验svd奇异值分解,有什么异同? (1)特征值分解:函数eig 格式:[V,D] = eig(A) %计算A的特征值对角阵D和特征向量V,使AV= ...
- R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
最近我们被客户要求撰写关于特征值分解的研究报告,包括一些图形和统计输出. R语言是一门非常方便的数据分析语言,它内置了许多处理矩阵的方法. 作为数据分析的一部分,我们要在有价证券矩阵的操作上做一些工作 ...
- 矩阵的各种分解: LU分解, QR分解, 特征分解, 对称对角化, 奇异值分解 SVD
本文主要关注的是有关 "怎样的矩阵能够进行 XX 分解" 的问题,具体分解的实现方式在这里不做归纳. 欢迎访问我的个人主页 zhekaili.github.io,已查看更多的线性代 ...
- 图像分解python_将图像等分为两部分python open
您可以将图像的顶部和底部水平裁剪到中间. 打开图像.import cv2 import numpy as np image = cv2.imread('images/blobs1.png') cv2. ...
- 奇异值分解 (SVD)原理及python实现
奇异值分解(Singular Value Decomposition,SVD)是一种矩阵分解(Matrix Decomposition)的方法.除此之外,矩阵分解还有很多方法,例如特征分解(Eigen ...
- 分解 python_面试官:如何用Python实现将一个整数分解成质因数?
概述 今天主要分享一个关于分解质因数的实例,判断的逻辑稍微多了点,一起来看看吧~ 需求 将一个整数分解质因数.例如:输入90,打印出90=233*5 思路 其实根本不需要判断是否是质数,从2开始向数本 ...
- 线性代数学习笔记10-2:特征值分解EVD/奇异值分解SVD的几何意义
前置知识 矩阵对应于线性变换,并且要明确讨论所依赖的基(坐标系):同一个变换,在不同的基下对应的矩阵不同 具体来说,矩阵中的列向量对应了基变换,而基的变换造成了原空间中所有向量的变换 B = P − ...
最新文章
- 【勘误】第4章字符串的实现
- 依赖编译_开源项目的编译优化实践
- formidable ajax上传,nodejs+express+ajax实现图片上传及显示
- java dispose方法_java-dispose方法
- sqlserver数据库备份
- 数据结构与算法之KMP算法中Next数组代码原理分析
- 程序员面试金典——2.7回文链表
- 用分组编码解决算术编码的精度要求问题
- 个人博客网页设计作业
- oracle exadata维保,EXADATA数据一体机巡检说明
- linux,debian系统安装录制视频软件simplescreenRecorder
- 触摸屏分屏拓展屏软件(可自定义界面)
- 从 0 开始搭建 Hexo 博客
- 交换机虚拟化和堆叠的区别_网工知识角|一分钟记熟NFV网络功能虚拟化技术介绍...
- 明朝那些事 当年明月
- go pprof 性能分析
- viper4android 系统io错误,golang配置信息库viper的使用
- 30个HTML+CSS前端开发案例(完结篇)
- 【论文翻译】 BMN: Boundary-Matching Network for Temporal Action Proposal Generation
- php实现手机归属地的查询、,PHP实现手机归属地查询API接口实现代码
热门文章
- html及css中页面总宽度的代码,css 宽度(CSS width)
- 从猎豹到山狮-苹果操作系统热衷于猫科动物代号
- 微信付款到个人银行卡php,微信企业付款到银行卡(下)
- 怎么找网页源文件位置_网页源文件看不到swf或者MP3,怎么找音频文件真实地址、...
- 浩哥的Linux学习笔记之touch命令
- BAT的医疗春秋大梦
- JAVAOooooo。。。。。ooo0000OOOOO
- WordPress主题 Market 多用途,灵活,类似(ThemeForest)高级数码交易市场主题
- 权限控制-@Secured注解
- 关于条形码,你知道多少?