最近学习线性代数的有关东西，在看到奇异值分解（svd）时，发现了一个在图像压缩上的应用。
奇异值分解：在线性代数中，我们知道对任意一个矩阵都存在奇异值分解，
，其中U和V是标准正交矩阵，而是一个对角矩阵，每一个对角元是该矩阵的奇异值，奇异值指的是矩阵的特征值开根号。其具体分解形式如下：
其中
将A展开得
将A看成一个图像的矩阵，上面和式的每一个分量按大小排序，越大，说明越重要。而后面的权很小，可以舍去，如果只取前面k项，则数据量为(m+n+1)k<<m*n因而达到了压缩图像的目的。
通过对比发现，当k=1/20 r时，能基本看清图像。当k=1/4r时基本看不出任何区别，对于长宽相等的图像，此时数据量占原数据量的2k/n,在测试图像中，这个数值为0.5 。可见图像压缩的效果是显著的。
处理结果如下：
原始图像：
k=1:
k=2:
k=3:
k=4:
k=21:
k=50:
k=105:
k=r=420:
附matlab测试代码：
SNum = 21;
I = imread('img.bmp');
h = size(I,1);
w = size(I,2);
R = I(:,:,1);
G = I(:,:,2);
B = I(:,:,3);
debug = 'RGB disposed'
Rd = im2double(R);
Gd = im2double(G);
Bd = im2double(B);
[Ur,Sr,Vr] = svd(Rd);
[Ug,Sg,Vg] = svd(Gd);
[Ub,Sb,Vb] = svd(Bd);
debug = 'end SVD decomposition'
Rt = zeros(h,w);
Gt = zeros(h,w);
Bt = zeros(h,w);
for i = 1:SNum
Rt = Rt + Sr(i,i)*Ur(:,i)*Vr(:,i)';
Gt = Gt + Sg(i,i)*Ug(:,i)*Vg(:,i)';
Bt = Bt + Sb(i,i)*Ub(:,i)*Vb(:,i)';
end
I2(:,:,1) = im2uint8(Rt);
I2(:,:,2) = im2uint8(Gt);
I2(:,:,3) = im2uint8(Bt);
imshow(I2);