溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了“Python NumPy灰度圖像的壓縮方法”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python NumPy灰度圖像的壓縮方法”吧！
灰度圖像是對圖像的顏色進行變換，如果要對圖像進行壓縮該怎么處理呢？
1、矩陣運算中有一個概念叫做奇異值和特征值。
設A為n階矩陣，若存在常數λ及n維非零向量x，使得Ax=λx，則稱λ是矩陣A的特征值，x是A屬于特征值λ的特征向量。
一個矩陣的一組特征向量是一組正交向量。
2、即特征向量被施以線性變換 A 只會使向量伸長或縮短而其方向不被改變。
特征分解（Eigendecomposition），又稱譜分解（Spectral decomposition）是將矩陣分解為由其特征值和特征向量表示的矩陣之積的方法。
假如A是m * n階矩陣，q=min(m,n)，A*A的q個非負特征值的算術平方根叫作A的奇異值。
特征值分解可以方便的提取矩陣的特征，但是前提是這個矩陣是一個方陣。如果是非方陣的情況下，就需要用到奇異值分解了。先看下奇異值分解的定義：
A=UΣVT
其中A是目標要分解的m * n的矩陣，U是一個 m * m的方陣，Σ 是一個m * n 的矩陣，其非對角線上的元素都是0。VTV^TVT是V的轉置，也是一個n * n的矩陣。
奇異值跟特征值類似，在矩陣Σ中也是從大到小排列，而且奇異值的減少特別的快，在很多情況下，前10%甚至1%的奇異值的和就占了全部的奇異值之和的99%以上了。也就是說，我們也可以用前r大的奇異值來近似描述矩陣。r是一個遠小于m、n的數，這樣就可以進行壓縮矩陣。
通過奇異值分解，我們可以通過更加少量的數據來近似替代原矩陣。
要想使用奇異值分解svd可以直接調用linalg.svd 如下所示：
U, s, Vt = linalg.svd(img_gray)
其中U是一個m * m矩陣，Vt是一個n * n矩陣。
在上述的圖像中，U是一個(80, 80)的矩陣，而Vt是一個(170, 170) 的矩陣。而s是一個80的數組，s包含了img中的奇異值。
感謝各位的閱讀，以上就是“Python NumPy灰度圖像的壓縮方法”的內容了，經過本文的學習后，相信大家對Python NumPy灰度圖像的壓縮方法這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
