Python NumPy实现灰度图像压缩：基于SVD原理与代码解析

灰度图像压缩概述

对图像进行灰度化处理本质上是颜色信息的转换过程。若需在此基础上进一步实现图像压缩，应如何处理相关数据？

矩阵特征值与奇异值基础

在矩阵运算领域，存在两个核心概念：奇异值与特征值。

假设A为n阶方阵，若存在常数λ及n维非零向量x，满足Ax=λx，则称λ为矩阵A的特征值，x为对应于特征值λ的特征向量。

同一矩阵的一组特征向量构成正交向量组。

当特征向量经过线性变换A作用后，仅发生长度上的伸缩，其方向保持不变。

特征分解（Eigendecomposition），亦称谱分解（Spectral decomposition），是指将矩阵分解为其特征值与特征向量所构成矩阵乘积的数学方法。

若A为m×n阶矩阵，令q=min(m,n)，则A*A的q个非负特征值的算术平方根定义为A的奇异值。

奇异值分解（SVD）原理

特征值分解适用于方阵以便捷提取矩阵特征；面对非方阵时，则需采用奇异值分解。奇异值分解的定义如下：

A=UΣVT

式中，A为待分解的m×n矩阵；U为m×m方阵；Σ为m×n矩阵，其非对角线元素均为0；VT为V的转置矩阵，维度为n×n。

奇异值在矩阵Σ中同样按从大到小顺序排列，且衰减速度极快。通常情况下，前10%甚至前1%的奇异值之和即可占据全部奇异值总和的99%以上。因此，可利用前r个最大奇异值来近似表示原矩阵。由于r远小于m和n，此举可实现矩阵压缩。

借助奇异值分解，能够利用更少量的数据近似替代原始矩阵。

NumPy实现与代码示例

若需直接调用奇异值分解（svd），可使用linalg.svd函数，具体调用方式如下：

U, s, Vt = linalg.svd(img_gray)

其中，U为m×m矩阵，Vt为n×n矩阵。

在上述图像示例中，U为(80, 80)矩阵，Vt为(170, 170)矩阵，而s为包含img中奇异值的长度为80的数组。

扩展实例代码：

import numpy as np

import matplotlib.pyplot as plt

from PIL import Image
from scipy import misc
def fix_contrast(image):
minimumColor = np.amin(image)
maximumColor = np.amax(image)

#avg = (minimumColor - maximumColor)/2 first attempt

avg = np.mean(image) #second attempt
colorDownMatrix = image < avg # also tried
colorUpMatrix = image > avg

#also tried: colorUpMatrix = image > avg * 1.2
# and : colorDownMatrix = image < avg* 0.3
image = image - minimumColor*colorDownMatrix
image = image + maximumColor*colorUpMatrix
lessThen0 = image<0
moreThen255 = image>255
image[lessThen0] = 0
image[moreThen255] = 255
return image

至此，关于Python NumPy灰度图像压缩原理的讲解结束。如需了解更多Python NumPy灰度图像相关内容，请搜索本站往期文章或继续浏览后续文章。感谢大家的支持！