### Python 实现 SVD 图像压缩 以下是使用 Python 和奇异值分解 (SVD) 对图像进行压缩的完整示例代码。该方法利用 `numpy` 进行矩阵运算，并借助 `matplotlib.pyplot` 显示结果。 #### 示例代码 ```python import numpy as np from PIL import Image import matplotlib.pyplot as plt def rebuild_img(u, sigma, v, ratio): """ 根据给定的比例重建图像。 参数: u: 左奇异向量矩阵 sigma: 奇异值数组 v: 右奇异向量矩阵 ratio: 特征值使用比例 返回: 重建后的子矩阵 """ m = len(sigma) n = int(m * ratio) sigma_rebuild = np.diag(sigma[:n]) img_rebuild = np.dot(np.dot(u[:, :n], sigma_rebuild), v[:n, :]) img_rebuild[img_rebuild < 0] = 0 img_rebuild[img_rebuild > 255] = 255 return np.rint(img_rebuild).astype('uint8') # 加载图片并转换为 NumPy 数组 image_path = 'example.jpg' # 替换为实际路径 original_image = Image.open(image_path) a = np.array(original_image) if a.ndim == 3 and a.shape[-1] == 3: fig, axes = plt.subplots(3, 3, figsize=(10, 10)) for idx, r in enumerate(np.arange(0.1, 1.0, 0.1)): row = idx // 3 col = idx % 3 u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0]) # 处理红色通道 R = rebuild_img(u_r, sigma_r, v_r, r) u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1]) # 处理绿色通道 G = rebuild_img(u_g, sigma_g, v_g, r) u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2]) # 处理蓝色通道 B = rebuild_img(u_b, sigma_b, v_b, r) compressed_image = np.stack((R, G, B), axis=2) axes[row][col].imshow(compressed_image) axes[row][col].set_title(f"Ratio={r:.1f}") axes[row][col].axis('off') plt.tight_layout() plt.show() else: print("仅支持 RGB 彩色图像") ``` --- #### 关键点解析 1. **加载图像**: 使用 `PIL.Image` 打开图像文件，并将其转换为 NumPy 数组以便于后续操作[^1]。 2. **奇异值分解 (SVD)**: 利用 `np.linalg.svd()` 函数分别对红、绿、蓝三个颜色通道执行奇异值分解[^2]。 3. **重建图像**: 根据指定的特征值保留比例 (`ratio`) 构建新的低秩近似矩阵，从而实现图像压缩[^3]。 4. **可视化效果**: 使用 `matplotlib.pyplot` 展示不同压缩比率下的图像质量变化[^4]。 --- ### 注意事项 - 输入图像应为彩色 RGB 格式；如果输入灰度图，则需调整代码逻辑。 - 不同压缩比率对应不同的信息保留程度，通常建议保持至少 90% 的原始信息以获得较好的视觉效果[^4]。 ---