数学建模day17-SVD和图形处理

这篇具有很好参考价值的文章主要介绍了数学建模day17-SVD和图形处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

注:本文源于数学建模学习交流相关公众号观看学习视频后所作

        奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解,其在图形学、统计学、推荐系统、信号处理等领域有重要应用。本讲我们将介绍奇异值分解在图形压缩中的运用,并将简单介绍下Matlab对于图形和视频的处理。

目录

线性代数基础知识回顾

奇异值分解

三个引理

例子

U的计算

V的计算

Σ的计算

SVD的证明思路

利用SVD对数据进行"降维"​编辑

保留原矩阵的特征比例

Matlab进行奇异值分解:[U,S,V] = svd(A)

定义我们自己的mysvd函数

Matlab图形的处理

RGB模式

图片压缩的函数

SVD压缩后的效果

将视频分离为图片

分离效果

批量处理文件夹内的所有图片

SVD的评价和应用

最后


线性代数基础知识回顾

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模


奇异值分解

三个引理

数学建模day17-SVD和图形处理,数学建模,数学建模

例子

数学建模day17-SVD和图形处理,数学建模,数学建模

U的计算

数学建模day17-SVD和图形处理,数学建模,数学建模

V的计算

数学建模day17-SVD和图形处理,数学建模,数学建模

Σ的计算

数学建模day17-SVD和图形处理,数学建模,数学建模

SVD的证明思路

数学建模day17-SVD和图形处理,数学建模,数学建模

利用SVD对数据进行"降维"
数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模

SVD 降维体现在什么地方?
感觉即使把分解的三个矩阵变小,可乘回去整个矩阵并没有小。

SVD 降维体现在什么地方? - 知乎 (zhihu.com)

保留原矩阵的特征比例

数学建模day17-SVD和图形处理,数学建模,数学建模


Matlab进行奇异值分解:[U,S,V] = svd(A)

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模

 PPT_example.m

%%  注意
% matlab2021b版本后,神经网络拟合工具箱升级成了中文
% 如果直接使用课堂上的代码会报错,相应的解决方法请关注微信公众号
% 《数学建模学习交流》,后台发送:894145这六个数字,文章内有解决方法。

%% 下面是代码,matlab2017a至matlab2021a版本通用
load data_Octane.mat
% 在Matlab的菜单栏点击APP,再点击Neural Fitting app.

% 利用训练出来的神经网络模型对数据进行预测
% 例如我们要预测编号为51的样本,其对应的401个吸光度为:new_X(1,:)
% sim(net, new_X(1,:))
% 错误使用 network/sim (line 266)
% Input data sizes do not match net.inputs{1}.size.
% net.inputs{1}.size
 
% 这里要注意,我们要将指标变为列向量,然后再用sim函数预测
sim(net, new_X(1,:)')

%
% 写一个循环,预测接下来的十个样本的辛烷值
predict_y = zeros(10,1); % 初始化predict_y
for i = 1: 10
    result = sim(net, new_X(i,:)');
    predict_y(i) = result;
end
disp('预测值为:')
disp(predict_y)

定义我们自己的mysvd函数

数学建模day17-SVD和图形处理,数学建模,数学建模

mysvd.m

function [compress_A] = mysvd(A, ratio)
    % 函数作用:使用奇异值分解将矩阵A压缩到指定的特征比例
    % 输入变量
    %     A:要压缩的m*n维的矩阵
    %     ratio:要保留原矩阵的特征比例(100%表示不压缩)
    % 输出变量
    %     compress_A: 压缩后的矩阵
    [U,S,V] = svd(A);   % U:m*m         S:m*n      V : n*n
    eigs = diag(S);  % diag函数可以返回S的主对角线元素,即矩阵A的奇异值,并将其保存到列向量中
    SUM = sum(eigs);  % 计算所有奇异值的总和
    temp = 0;   % 新建临时变量,用于下面的循环
    for  i = 1: length(eigs)  % 循环
        temp =temp + eigs(i);  % 每循环一次,就更新temp的值为原来的temp值+接下来的一个奇异值
        if (temp/SUM) > ratio  % 如果现在的比例超过了ratio,就退出循环
            break
        end
    end
    disp(['压缩后保留原矩阵的比例特征为:',num2str(roundn(100*temp/SUM,-2)),'%'])  %roundn(x,-2)可将x四舍五入到小数点后两位
    compress_A= U(:,1:i)*S(1:i,1:i)*V(:,1:i)';
end

Matlab图形的处理

暂时跳过,后续更新~~~稍安勿躁啊亲`~~


RGB模式

        RGB色彩就是常说的三原色,R代表Red(红色),G代表Green(绿色),B代表Blue(蓝色)。自然界中肉眼所能看到的任何色彩都可以由这三种色彩混合叠加而成。

数学建模day17-SVD和图形处理,数学建模,数学建模

图片压缩的函数

数学建模day17-SVD和图形处理,数学建模,数学建模

 photo_compress.m

function []= photo_compress(photo_address, save_address, ratio, greycompress)
    % 函数作用:利用SVD对图形进行压缩
    % 输入变量
    %     photo_address:要压缩的图片存放的位置(建议输入完整的路径)
    %     save_address:将压缩后的图片保存的位置(建议输入完整的路径)
    %     ratio:要保留原矩阵的特征比例(100%表示不压缩)
    %     greycompress: 如果该值等于1,则会彩色的原图片转换为灰色图片后再压缩;默认值为0,表示不进行转换
    % 输出变量
    %     无(不需要输出,因为函数运行过程中已经将图片保存了~)

    if nargin == 3  % 判断用户输入的参数,如果只输入了前三个参数,则默认最后的参数greycompress=0
        greycompress = 0;
    end

    img = double(imread(photo_address));
    % 图片保存的对象是 'uint8' 类型,需要将其转换为double类型才能进行奇异值分解的操作
    % 注意:  img是图形的像素矩阵,如果是彩色图片则是三维矩阵,如果是灰色图片则是二维矩阵
    % '赫本.jpg'是灰色的图片,得到的img类型是[914×1200]double
    % '千与千寻.jpg'是彩色的图片,得到的img类型是[768×1024×3]double
    % 因此我们可利用第三个维度的大小来判断图片是否为灰色的
    % 灰色图片的只有两个维度,所以size(img ,3) == 1
 
    if (greycompress == 1) && (size(img ,3) == 3)  % 如果图片为彩色,且greycompress的值等于1,则会彩色的原图片转换为灰色图片后再压缩
        img = double(rgb2gray(imread(photo_address)));    % rgb2gray函数可以将彩色图片转换为灰色图片, 注意:输入的变量要为默认的'uint8' 类型的图片对象
    end  % 注意: grey(英)和gray(美)都表示灰色

    if size(img ,3) == 3   % 判断图片是否为彩色的
        R=img(:,:,1);       % RGB色彩模式三要素:红色
        G=img(:,:,2);       % RGB色彩模式三要素:绿色
        B=img(:,:,3);       % RGB色彩模式三要素:蓝色
        disp(['正在压缩:  ',photo_address,'的红色要素'])
        r = mysvd(R, ratio);  % 调用自定义函数将R矩阵压缩成r
        disp(['正在压缩:  ',photo_address,'的绿色要素'])
        g = mysvd(G, ratio); % 调用自定义函数将G矩阵压缩成g
        disp(['正在压缩:  ',photo_address,'的蓝色要素'])
        b = mysvd(B, ratio); % 调用自定义函数将B矩阵压缩成b
        compress_img=cat(3,r,g,b);  % 根据三个RGB矩阵(压缩后的r、g、b)生成图片对象
    else  % 如果图片是灰色的要执行的步骤
        disp(['正在压缩灰色图片:  ',photo_address])
        compress_img = mysvd(img, ratio);  %如果是灰色图片的话,直接压缩img矩阵就好了
    end

    % 将压缩后的图片保存
    imwrite(uint8(compress_img), save_address);   % 如果你的矩阵是double格式的,导出时会自动将范围认为是[0 1],需要重新转换为uint8类型

end

SVD压缩后的效果

数学建模day17-SVD和图形处理,数学建模,数学建模

数学建模day17-SVD和图形处理,数学建模,数学建模


将视频分离为图片

数学建模day17-SVD和图形处理,数学建模,数学建模

注意:Matlab对视频的要求较高,如果出现下⾯的错误,则需要先将视频进行解码
我使用的是迅捷视频转换器
错误使用VideoReader/init (line 619)
无法确定所需的编解码器。
video中的对象讲解:[matlab]matlab读取视频VideoReader类_matlab 读取video文件-CSDN博客

分离效果

数学建模day17-SVD和图形处理,数学建模,数学建模


批量处理文件夹内的所有图片

数学建模day17-SVD和图形处理,数学建模,数学建模

folder_name = 'C:\Users\Desktop\奇异值分解\葫芦娃七兄弟';
dirOutput=dir(fullfile(folder_name, '*.jpg'));
files={dirOutput.name};
n = length(files);
ratio = 0.9;
for i = 1:n
    photoname = files(i);
    name = photoname{1};
    photo_address = fullfile(folder_name, name);
    disp(photo_address)
    save_address = fullfile(folder_name, strcat('compress_',name));
    photo_compress(photo_address, save_address, ratio)
end

SVD的评价和应用

SVD(奇异值分解):
       (1)优点:简化数据,去除噪声点,对数据降维(减少秩);
        (2)缺点:数据的转换可能难以理解;
        (3)适用于数据类型:数值型。


        通过SVD对数据的处理,我们可以对原始数据进行精简,这样做实际上是去除了噪声和冗余信息,以此达到了优化数据的目的。


SVD的另外两个重要应用:
        潜在语义索引:最早的SVD应用之一就是信息检索,我们称利用SVD的方法为潜在语义检索(LSI)或隐形语义分析(LSA),有兴趣可以去阅读吴军老师的《数学之美》。
        推荐系统:SVD的另一个应用就是推荐系统,较为先进的推荐系统先利用SVD从数据中构建一个主题空间,然后再在该空间下计算相似度,以此提高推荐的效果。

最后

对图形处理有需要的同学可阅读Matlab图形处理的资料:图形 - MATLAB & Simulink - MathWorks 中国

        没有学过线性代数的同学可以提前学习下,bilibili上有很多优质的视频资源。比较推荐的线性代数的教材是 (美)莱(Lay D.C.)《线性代数及其应用》。但是其实都大差不差了文章来源地址https://www.toymoban.com/news/detail-835802.html

到了这里,关于数学建模day17-SVD和图形处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数学建模day15-时间序列分析

            时间序列也称动态序列,是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分,分别是 描述过去、分析规律和预测未来 ,本讲将主要介绍时间序列分析中常用的三种模型: 季节分解、指数平滑方法和ARIMA模型 ,并将结

    2024年01月19日
    浏览(38)
  • 数学建模学习笔记day4——层次化分析

    层次分析主要有三大典型应用 (1)用于最佳方案的选取 (2)用于评价类问题 (3)用于指标体系的优选 层次分析法是根据问题的性质和要达成的目标,将问题分解为不同的组成因素,将因素按不同层次聚集组合,形成一个多层次的分析结构模型,最终问题归结为最低层(决

    2024年02月09日
    浏览(41)
  • 数学建模-数据的处理

    缺失值处理 删除法:删除小部分 插补法: a. 均值插补:定距用平均值、非定距用众数。 b. 回归插补。 c.极大似然估计(ML):观测数据的边际分布对未知参数进行极 大似然估计。也可以通过期望最大化来参数估计。有效样本的数量足够保证ML估计值是渐进无偏的并服从正态分

    2024年02月11日
    浏览(41)
  • 【数学建模】数据预处理

    数学建模是将实际问题转化为数学模型来解决的过程,而数据预处理是数学建模中非常重要的一步。以下是为什么要进行数据预处理的几个原因: 数据质量:原始数据往往存在噪声、异常值、缺失值等问题,这些问题会对建模结果产生负面影响。通过数据预处理,可以去除噪

    2024年02月09日
    浏览(40)
  • 数学建模——数据预处理

    在数学建模时,经常遇到数据的预处理,那么会有一些什么情况呢,跟着北海老师总结了他的内容~希望对大家有所帮助! 缺失值 比赛提供的数据,发现有些单元格是null或空的 缺失太多:例如调查人口信息,发现“年龄”这一项缺失了40%,就直接把该项指标删除 最简单处理

    2024年02月01日
    浏览(33)
  • 数学建模--数据预处理

    目录 一、数据统计 1、行列式的最大元素和最小元素 2、求向量的平均值和中值  3、对矩阵做排序  二、数据优化(数据残缺值和异常值的处理) 1、数据残缺 ①插值 ②拟合  ③邻近替换 ④KNN算法填充 2、数据异常 ①拉依达准则 ②替换异常值 3、数据变换 ①0-1标准化 ②z-

    2024年02月01日
    浏览(43)
  • 数学建模:数据的预处理

    🔆 文章首发于我的个人博客:欢迎大佬们来逛逛 常见的数据变换的方式:通过某些简单的函数进行数据变换。 x ′ = x 2 x ′ = x x ′ = log ⁡ ( x ) ∇ f ( x k ) = f ( x k + 1 ) − f ( x k ) begin{aligned}x^{prime}=x^2 \\\\begin{aligned}x^{prime}=sqrt{x}end{aligned} \\\\x\\\'=log(x) \\\\nabla fleft(x_{k})right.=f

    2024年02月11日
    浏览(39)
  • 【数学建模+数据处理类】2021数学建模国赛B题 乙醇偶合制备C4烯烃

    对附件1中每种催化剂组合,分别研究乙醇转化率、C4烯烃的选择性与温度的关系,并对附件2中350度时给定的催化剂组合在一次实验不同时间的测试结果进行分析。 step1:对实验数据进行探索性分析 数据的预处理(A11的缺失) 可视化、数据关系展示 包括画出各个因变量(不同

    2024年02月16日
    浏览(42)
  • 数据预处理方法整理(数学建模)

    这篇文章主要是整理了一些作者在各种建模比赛中遇到的数据预处理问题以及方法,主要针对excel或csv格式的数据,为后续进行机器学习或深度学习做前期准备 导入库和文件,这里使用的是绝对路径,可改为相对路径 传入的为csv格式的文件,如果是xlsx格式的文件,建议先使

    2024年02月14日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包