Python NumPy灰度圖像的壓縮原理講解
灰度圖像是對(duì)圖像的顏色進(jìn)行變換，如果要對(duì)圖像進(jìn)行壓縮該怎么處理呢？
1、矩陣運(yùn)算中有一個(gè)概念叫做奇異值和特征值。
設(shè)A為n階矩陣，若存在常數(shù)λ及n維非零向量x，使得Ax=λx，則稱(chēng)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(gè)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(huì)使向量伸長(zhǎng)或縮短而其方向不被改變。
特征分解（Eigendecomposition），又稱(chēng)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(gè)非負(fù)特征值的算術(shù)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(gè)矩陣是一個(gè)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(biāo)要分解的m * n的矩陣，U是一個(gè) m * m的方陣，Σ 是一個(gè)m * n 的矩陣，其非對(duì)角線上的元素都是0。VTV^TVT是V的轉(zhuǎn)置，也是一個(gè)n * n的矩陣。
奇異值跟特征值類(lèi)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(shuō)，我們也可以用前r大的奇異值來(lái)近似描述矩陣。r是一個(gè)遠(yuǎn)小于m、n的數(shù)，這樣就可以進(jìn)行壓縮矩陣。
通過(guò)奇異值分解，我們可以通過(guò)更加少量的數(shù)據(jù)來(lái)近似替代原矩陣。
要想使用奇異值分解svd可以直接調(diào)用linalg.svd 如下所示：
U, s, Vt = linalg.svd(img_gray)
其中U是一個(gè)m * m矩陣，Vt是一個(gè)n * n矩陣。
在上述的圖像中，U是一個(gè)(80, 80)的矩陣，而Vt是一個(gè)(170, 170) 的矩陣。而s是一個(gè)80的數(shù)組，s包含了img中的奇異值。
實(shí)例代碼擴(kuò)展：
import numpy as np import matplotlib.pyplot as plt from PIL import Image from scipy import misc def fix_contrast(image): minimumColor = np.amin(image) maximumColor = np.amax(image) #avg = (minimumColor - maximumColor)/2 first attempt avg = np.mean(image) #second attempt colorDownMatrix = image < avg # also tried colorUpMatrix = image > avg #also tried: colorUpMatrix = image > avg * 1.2 # and : colorDownMatrix = image < avg* 0.3 image = image - minimumColor*colorDownMatrix image = image + maximumColor*colorUpMatrix lessThen0 = image<0 moreThen255 = image>255 image[lessThen0] = 0 image[moreThen255] = 255 return image
到此這篇關(guān)于Python NumPy灰度圖像的壓縮原理講解的文章就介紹到這了,更多相關(guān)Python NumPy灰度圖像的壓縮內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python數(shù)據(jù)結(jié)構(gòu)集合的相關(guān)詳解
集合是Python中一種無(wú)序且元素唯一的數(shù)據(jù)結(jié)構(gòu),主要用于存儲(chǔ)不重復(fù)的元素,Python提供set類(lèi)型表示集合,可通過(guò){}或set()創(chuàng)建,集合元素不可重復(fù)且無(wú)序,不支持索引訪問(wèn),但可迭代,集合可變,支持添加、刪除元素,集合操作包括并集、交集、差集等,可通過(guò)運(yùn)算符或方法執(zhí)行2024-09-09
python文件讀取時(shí)順序錯(cuò)誤的問(wèn)題及解決
這篇文章主要介紹了python文件讀取時(shí)順序錯(cuò)誤的問(wèn)題及解決方案,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
這篇文章主要介紹了Python中的字符串相似度，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-05-05
使用Python實(shí)現(xiàn)火車(chē)票查詢系統(tǒng)(帶界面)
周末、假期來(lái)了，七夕也快到了，又到一年中最一票難求的時(shí)候了！本文將用Python制作一個(gè)簡(jiǎn)單的火車(chē)票查詢系統(tǒng)，感興趣的可以了解一下2022-07-07
Python實(shí)現(xiàn)手勢(shì)識(shí)別
這篇文章主要介紹了Python如何實(shí)現(xiàn)手指指尖的檢測(cè)，并且可以在windows系統(tǒng)下通過(guò)判斷手指數(shù)目，來(lái)模擬鍵盤(pán)操作，感興趣的朋友可以了解下2020-10-10
django數(shù)據(jù)庫(kù)自動(dòng)重連的方法實(shí)例
這篇文章主要給大家介紹了關(guān)于django數(shù)據(jù)庫(kù)自動(dòng)重連的相關(guān)資料，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)或者使用django具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
keras自定義損失函數(shù)并且模型加載的寫(xiě)法介紹
這篇文章主要介紹了keras自定義損失函數(shù)并且模型加載的寫(xiě)法介紹，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-06-06
這篇文章主要介紹了Python保存MongoDB上的文件到本地的方法,涉及Python調(diào)用pymongo模塊的gridfs方法來(lái)操作MongoDB文件的相關(guān)技巧,需要的朋友可以參考下2016-03-03
python使用HTMLTestRunner導(dǎo)出餅圖分析報(bào)告的方法
這篇文章主要介紹了python使用HTMLTestRunner導(dǎo)出餅圖分析報(bào)告的方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-12-12
詳解如何在Python中使用Jinja2進(jìn)行模板渲染
Jinja2 是一個(gè)現(xiàn)代的、設(shè)計(jì)精美的 Python 模板引擎,它使用類(lèi)似于 Django 的模板語(yǔ)言來(lái)渲染文本文件,下面我將通過(guò)幾個(gè)例子展示如何在 Python 中使用 Jinja2 進(jìn)行模板渲染,文中有詳細(xì)的代碼供大家參考,需要的朋友可以參考下2024-08-08