本文共 3734 字，大约阅读时间需要 12 分钟。

1. 前言

数字图片在计算机中是以的。所以可以通过矩阵理论和矩阵算法对数字图像进行分析和处理。本文通过对图片进行SVD压缩，对不同的参数下的压缩效果进行对比。

SVD概念可以参考：《统计学习方法》–

2. 原理简介

彩色图片有3个图层，RGB（红、绿、蓝）也就是矩阵的一个位置上存储了3个基色的数值，由3个基色混合成不同的色彩。

通过对3个图层矩阵，分别进行SVD近似，SVD奇异值是唯一的，可以取前 k 个最大的奇异值进行近似表达，最后再将3个图层的矩阵数据合并，用较少的数据去表达图片。

2.1 SVD定义

$$\begin{gathered} A_{m\times n}=U\Sigma V^T \\ U{U}^T=I_m \\ V{V}^T=I_n \\ \Sigma =diag({\sigma }_1,{\sigma }_2,...,{\sigma }_p) \\ {\sigma }_1\ge {\sigma }_2\ge ...\ge {\sigma }_p\ge 0 \\ p=\min (m,n) \end{gathered}$$

• $U\Sigma V^T$ 称为矩阵 $A$ 的奇异值分解（SVD），$U$ 是 $m$ 阶， $V$ 是 $n$ 阶正交矩阵，$\Sigma$ 是 $m\times n$ 的对角矩阵
• ${\sigma }_i$ 称为矩阵 $A$ 的奇异值
• $U$ 的列向量，左奇异向量
• $V$ 的列向量，右奇异向量

3. 实践代码

# -*- coding:utf-8 -*-# @Python Version: 3.7# @Time: 2020/4/21 23:38# @Author: Michael Ming# @Website: https://michael.blog.csdn.net/# @File: 15.svd_pic_compress.py# @Reference: https://blog.csdn.net/weixin_44344462/article/details/89401727import numpy as npimport matplotlib.pyplot as pltdef zip_img_by_svd(img, plotId, rate=0.8):    zip_img = np.zeros(img.shape)    u_shape = 0    sigma_shape = 0    vT_shape = 0    for chanel in range(3):  # 3个图层        u, sigma, v = np.linalg.svd(img[:, :, chanel])  # numpy svd函数        sigma_i = 0        temp = 0        while (temp / np.sum(sigma)) < rate:  # 选取的奇异值和需要达到设定的权重            temp += sigma[sigma_i]            sigma_i += 1        SigmaMat = np.zeros((sigma_i, sigma_i))  # 选取了sigma_i 最大的奇异值        for i in range(sigma_i):            SigmaMat[i, i] = sigma[i]  # 将奇异值填充到Sigma对角矩阵        zip_img[:, :, chanel] = u[:, 0:sigma_i].dot(SigmaMat).dot(v[0:sigma_i, :])        # 将分解得到的3个矩阵相乘，得到压缩后的近似矩阵        u_shape = u[:, 0:sigma_i].shape        sigma_shape = SigmaMat.shape        vT_shape = v[0:sigma_i, :].shape    for i in range(3):  # 对三个通道的矩阵数值进行归一化处理        MAX = np.max(zip_img[:, :, i])        MIN = np.min(zip_img[:, :, i])        zip_img[:, :, i] = (zip_img[:, :, i] - MIN) / (MAX - MIN)    zip_img = np.round(zip_img * 255).astype("uint8")    # 不乘255图片是黑的（接近0,0,0），数据类型uint8    plt.imsave("zip_svd_img.jpg", zip_img)  # 保存压缩后的图片    zip_rate = (img.size - 3 * (            u_shape[0] * u_shape[1] + sigma_shape[0] * sigma_shape[1] + vT_shape[0] * vT_shape[1])) / (zip_img.size)    f = plt.subplot(3, 3, plotId)    f.imshow(zip_img)    f.set_title("SVD压缩率 %.4f,奇异值数量：%d" % (zip_rate, sigma_i))    print("设置的压缩率：", rate)    print("使用的奇异值数量：", sigma_i)    print("原始图片大小：", img.shape)    print("压缩后用到的矩阵大小：3x({}+{}+{})".format(u_shape, sigma_shape, vT_shape))    print("压缩率为：", zip_rate)if __name__ == '__main__':    imgfile = "svd_img.jpg"    plt.figure(figsize=(12, 12))    plt.rcParams['font.sans-serif'] = 'SimHei'  # 消除中文乱码    img = plt.imread(imgfile)    f1 = plt.subplot(331)  # 绘制子图，3行3列，3*3个子图，现在画第1幅    f1.imshow(img)    f1.set_title("原始图片")    for i in range(8):  # 再画8个子图        rate = (i + 1) / 10.0  # 压缩率 10% - 80%        zip_img_by_svd(img, i + 2, rate)    plt.suptitle('图片SVD效果对比', fontsize=17, y=0.02)  # y偏移距离    plt.show()

• 可以看出在使用128个奇异值的SVD压缩情况下，就可以得到跟原图差不多效果的图片
• 原图是703x800的尺寸，SVD使用的矩阵 ((703, 128)+(128, 128)+(128, 800))=208768
• 可以少使用的矩阵数据比例为（703*800*3-208768*3）/（703*800*3）= 62.88%
• 可以只用37.12%的数据量去近似表达原始图片，是不是很酷！！！
• 在网络传输图片的过程中，终端用户可能点击，也可能不点击，那我都给他们发送SVD后的图片矩阵数据（减少了当次传输数据量），然后在终端进行矩阵运算得到压缩后的图片，当用户点击图片后，再进行传输原图片（1、用户点击是分散的，可以降低统一发送原图的网络拥挤现象；2、有的用户也不会点击，就避免了传输原图，达到了压缩的目的，节省流量）
• 微信收到的图片、小米手机云相册的缩略图等都可能用到类似的技术来节省空间

我是外行，自己想的结论，不对的地方，请大佬指点，感谢！

4. 参考文献

本文参考了以下两篇文章，对作者表示感谢！

转载地址：https://michael.blog.csdn.net/article/details/105694867 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！