当前位置: 首页 > article >正文

通过特征值和特征向量实现的图像压缩和特征提取

        前文,我们在学习人工智能的线性代数基础的时候,就了解到,矩阵在人工智能中被广泛使用,接下来我们就从大家非常常见的图像开始,深度理解矩阵在人工智能中的应用。有关线性代数基础的文章可以看的我CSDN:人工智能中的线性代数基础详解-CSDN博客

        在图像处理和机器学习中,特征值和特征向量(尤其是奇异值分解,SVD)被广泛用于图像压缩和特征提取。接下来我们详细讲解图像压缩(通过SVD)和特征提取(通过PCA)的每一个步骤,包括数学原理、具体操作和示例。

一、图像压缩(通过奇异值分解,SVD)

        图像压缩的目标是减少图像数据的存储空间,同时尽量保留图像的主要信息。奇异值分解(SVD)是一种强大的工具,可以实现高效的图像压缩。SVD将A矩阵分解成三个其他矩阵的示意图如下(分两种情况):

1.数学原理

        一张图像可以表示为一个m×n 的矩阵 A,其中每个元素对应一个像素的灰度值或颜色值(注意这个不是彩色图像)。SVD将图像矩阵 A 分解为三个矩阵的乘积

其中:

  • U 是一个 m×m 的正交矩阵(即 U^{T}U=I),其列向量是 A 的左奇异向量,表示图像的行空间的基。

  • Σ 是一个 m×n 的对角矩阵对角线上的元素是奇异值 σ1​,σ2​,…,σk​,且 σ1​≥σ2​≥⋯≥σk,通常按从大到小的顺序排列​,表示每个基向量的重要性。

  • V 是一个 n×n 的正交矩阵(即 V^{T}V=I),其列向量是 A 的右奇异向量,表示图像的列空间的基。

        通过保留最大的几个奇异值及其对应的奇异向量,可以近似重构图像,从而实现压缩。例如:假设我们有一个 1080×1920 的图像矩阵 A。通过SVD分解后,我们发现前10个奇异值占据了大部分信息。因此,可以只保留前10个奇异值及其对应的奇异向量,将图像压缩为一个 1080×10 和 10×1920 的矩阵,大大减少了存储空间。

2.图像压缩的具体步骤

步骤1:图像矩阵化

        将图像数据表示为一个矩阵 A。对于灰度图像,每个像素的灰度值构成矩阵的一个元素;对于彩色图像,可以分别对RGB三个通道进行处理。

        示例:假设有一张 5×5 的灰度图像,其矩阵表示为:

步骤2:SVD分解

        对矩阵 A 进行SVD分解,得到 U、Σ 和V^{T}。分解的过程参照下图(网上下载的),其中的M为本文中的A。

       

        如何通过 SVD 分解得到奇异矩阵,以下是分解步骤:

        (1)计算 A^{T}AAA^{T}

        A^{T}AAA^{T}是对称矩阵,且它们的特征值和特征向量与 A 的奇异值和奇异向量有关。

        (2)求A^{T}AAA^{T}的特征值和特征向量

  • 计算A^{T}A的特征值和特征向量,得到矩阵 V 和奇异值的平方

  • 计算AA^{T}的特征值和特征向量,得到矩阵 U 和奇异值的平方

        (3)构造奇异值矩阵 Σ(注意是构造出来的,不是计算得到的)

  • 奇异值是A^{T}AAA^{T}的特征值的平方根。

  • 将奇异值按从大到小的顺序排列在对角矩阵 Σ 中。

        (4)构造正交矩阵 U 和 V

  • V 的列是A^{T}A的特征向量。

  • U 的列是AA^{T}的特征向量。

        (5)验证分解结果

  • 通过验证分解的正确性。

        以下是示例:假设分解结果为:

        其中三个矩阵分别为:

步骤3:选择重要的奇异值

        保留前 k 个最大的奇异值及其对应的奇异向量,其中 k 远小于 min(m,n)。这一步可以显著减少数据量。

        示例:假设我们选择 k=2(原本有5个),则新的矩阵为:

        其中:

        注意:Uk的列数跟Σk的列数相同,Vk的行数跟Σk的行数相同

以下为补充内容:

        在SVD分解后,确定保留的奇异值数量 k 是一个关键步骤,因为它直接影响到数据压缩或降维的效果。以下是几种常用的方法来确定 k 的值:

(1)累积能量百分比

        奇异值的平方通常表示矩阵的能量分布。通过计算累积能量百分比,可以选择一个 k,使得保留的奇异值能够解释大部分的能量(例如90%或95%)。

        累积能量百分比的步骤:

        1)计算所有奇异值的平方和

        2)计算每个奇异值的累积能量百分比:

        3)选择 k,使得累积能量百分比达到一个阈值(如90%)。

        示例: 假设奇异值为 σ1​,σ2​,…,σr​,当 k=10 时,累积能量百分比为92%,则可以选择 k=10。

(2)奇异值分布曲线

        通过绘制奇异值的分布曲线(通常是按降序排列的奇异值大小),观察奇异值的衰减情况。通常,奇异值会快速下降,形成一个“肘部”(elbow point),选择肘部位置作为 k 的值。

        示例: 在奇异值分布曲线上,当 k=20 时,奇异值的下降速度明显减缓,可以将 k 设为20。

(3)重构误差

        通过尝试不同的 k 值,计算重构矩阵与原始矩阵之间的误差(如均方误差MSE或Frobenius范数)。选择一个 k,使得重构误差在可接受范围内。

        重构误差的步骤:

        1)对于不同的 k,计算重构矩阵

        2)计算重构误差:

        3)选择一个 k,使得MSE小于某个阈值。

(4)基于应用需求

在某些应用场景中,可以根据实际需求选择 k。例如:

  • 在图像压缩中,选择较小的 k 可以显著减少存储空间,但可能会丢失一些细节。

  • 在图像去噪中,选择较小的 k 可以去除噪声,但可能会丢失一些高频细节。

步骤4:重构图像

        通过 Ak​ 近似重构图像。虽然 Ak​ 的维度比原始矩阵小,但可以通过以下公式重构近似图像:

        示例:重构后的图像矩阵为:

        其中\tilde{a}_{ij}是近似值。

步骤5:评估压缩效果

        通过比较原始图像和重构图像的差异(如均方误差MSE或峰值信噪比PSNR),评估压缩效果。

二、特征提取(通过主成分分析,PCA)

        特征提取是从原始数据中提取有意义的特征,以减少数据维度并提高模型性能。主成分分析(PCA)是一种基于特征值和特征向量的特征提取方法。

        假设我们有一组图像数据,每张图像有1000个像素。通过PCA,我们计算出协方差矩阵的特征值和特征向量,发现前50个特征值占据了大部分方差。因此,可以将每张图像投影到这50个特征向量上,将图像的维度从1000降为50,同时保留主要信息。

1.数学原理

        PCA通过将数据投影到方差最大的方向上,提取数据的主要特征,从而实现降维。其核心是通过协方差矩阵的特征值和特征向量来确定主成分。      

  PCA通过以下步骤实现特征提取:

步骤1:数据预处理(标准化数据

        将数据标准化,使每个特征的均值为0,方差为1。对于图像数据,可以将像素值归一化到 [0, 1] 或 [-1, 1]。

        示例:假设有一组图像数据 X,其中每一行是一个图像的像素向量。

步骤2:计算协方差矩阵

        协方差矩阵 C 表示数据特征之间的相关性:

        其中 n 是样本数量。

步骤3:求解特征值和特征向量

        计算协方差矩阵 C 的特征值 λi​ 和特征向量 vi​。特征值表示每个方向上的方差大小,特征向量表示数据的主要方向

        示例:假设特征值按大小排序为 λ1​≥λ2​≥⋯≥λd​,对应的特征向量为 v1​,v2​,…,vd​。

步骤4:选择主成分

        选择前 k 个特征值最大的特征向量作为主成分,构成投影矩阵 Vk​。

        示例:假设选择前2个主成分,则投影矩阵为:

步骤5:数据投影

        将原始数据 X 投影到主成分空间,得到降维后的数据 Y:

        示例:假设原始数据 X 是 m×d 的矩阵,投影后得到 m×k 的矩阵 Y。

步骤6:评估特征提取效果

        通过比较降维前后的数据,评估特征提取的效果。例如,可以通过重构误差或分类任务的性能来评估。

总结

  • 图像压缩:通过SVD分解图像矩阵,保留最大的几个奇异值及其对应的奇异向量,重构图像以实现压缩。

    • 将图像矩阵分解为

    • 保留前 k 个奇异值及其对应的奇异向量。

    • 通过近似重构图像。

    • 评估压缩效果。

  • 特征提取:通过PCA计算数据的协方差矩阵的特征值和特征向量,选择最重要的特征向量作为新的特征空间,实现降维。

    • 标准化数据。

    • 计算协方差矩阵并求解特征值和特征向量。

    • 选择前 k 个主成分。

    • 将数据投影到主成分空间。

    • 评估特征提取效果。

这两种方法都利用了特征值和特征向量的性质,分别在图像压缩和特征提取中发挥了重要作用。


http://www.kler.cn/a/586804.html

相关文章:

  • 大模型训练全流程深度解析
  • 力扣-单调栈-739 每日温度
  • spring-aop笔记
  • 2023 年全国职业院校技能大赛(中职组)移动应用与开发赛项 赛题第十套
  • Python基础入门掌握(九)
  • 设计签到 用redis 和 MySQL
  • 目标检测中衡量模型速度和精度的指标:FPS和mAP
  • 软件测试之测试覆盖率
  • c++三级(枚举问题)
  • 普通enum和enum class的区别
  • Winfrom基础知识41-60
  • Uniapp 开发 App 端上架用户隐私协议实现指南
  • Halcon 和 opencv比有什么区别与优劣
  • python socket库详解
  • 【A2DP】深入解读A2DP中通用访问配置文件(GAP)的互操作性要求
  • 堆(Heap)和栈(Stack),这两者通常是指内存管理中两种不同的内存区域
  • 【Android】RuntimeShader 应用
  • 如何使用Jsoup提取商品信息:实战指南
  • Java Collection(3)——BinaryTree(二叉树)
  • std::merge和std::inplace_merge对比分析