Professional Documents
Culture Documents
HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA
MỤC LỤC........................................................................................................................i
CHƯƠNG 1 CƠ SỞ LÝ THUYẾT...........................................................................1
1.1 Phương pháp phân tích trị riêng.........................................................................1
1.2 Cách tìm ma trận S, U, V...................................................................................1
CHƯƠNG 2 VÍ DỤ...................................................................................................3
CHƯƠNG 3 ỨNG DỤNG PHÂN TÍCH SVD ĐỂ NÉN DỮ LIỆU........................5
3.1 Ứng dụng phân tích SVD để nén ảnh số............................................................5
3.2 Nội dung code....................................................................................................6
3.3 Giải thích code...................................................................................................7
i
CHƯƠNG 1 CƠ SỞ LÝ THUYẾT
Phương pháp phân tích trị riêng (SVD – Singular Value Decomposition) là một đề tài
rất được quan tâm của đại số tuyến tính. Phương pháp này có nhiều ứng dụng thực tế,
một trong số đó là ứng dụng trong kỹ thuật nén ảnh. Đặc điểm quan trọng của phương
pháp này là nó có thể áp dụng cho bất kỳ ma trận thực mxn nào. Nội dung của nó là:
phân tích một ma trận A cho trước thành 3 ma trận U, S, V, sao cho
A = USVT (1)
1
Vậy các cột của U chính là các vector riêng của A.AT. Cuối cùng, ta phân tích ma trận A dưới
dạng như sau:
[]
T
V1
…
A=(u1 … ur … um) [ σ1 ¿ ¿
¿… ¿ ¿
¿ σ 1 ¿¿¿¿¿ ¿ …¿¿¿¿¿ ¿ 0¿ ] T
Vr
…
T
Vn
2
CHƯƠNG 2 VÍ DỤ
(3
Chọn ma trận A= 2 3 −2
2 2
)
Đầu tiên tính các giá trị đơn lẻ σ i bằng cách tìm các giá trị riêng của A AT
T
(
17 8
AA = 9 17 )
Đa thức đặc trưng là det( AA T - λ I ) = λ 2−34 λ+ 225=(λ−25)(λ−9)
Vì vậy các giá trị đơn lẻ là σ 1 = √ 25=5 và σ 2=√ 9=3
Bây giờ chúng ta tìm đúng vector đơn lẻ ( các cột của V) bằng cách tìm một trực
chuẩn của các vector riêng của AT A . Nó có thể tiếp tục bằng cách tìm các vector đơn
lẻ bên trái ( cột của U) thay vào đó. Các giá trị riêng của AT A là 25, 9, 0, và kể từ khi
A A đối xứng thì các vector đơn lẻ sẽ trực giao.
T
( )
−12 12 2
T
A A−25 I = 12 −12 −2
2 −2 −17
( )
1 −1 0
Hàng giảm xuống bằng 0 0 1 . Một vector độ dài đơn vị trong nhân của ma trận
0 0 0
đó là
( )
1/ √ 2
v 1= 1/ √ 2
0
( ) ( )
4 12 2 1 0 −1/4
T
A A−9 I = 12 4 −2 hàng giảm xuống bằng 0 1 1/4 .
2 −2 −1 0 0 0
3
( )
1 / √18
v
Một vector độ dài đơn vị trong nhân của ma trận đó là 2 = −1 / √18 .
4 / √ 18
Đối với vector đơn lẻ cuối cùng chúng ta có thể tính toán hạt nhân của AT A hoặc tìm
()
a
v v v =
một vector đơn vị vuông góc với 1và 2. Để vuông góc với 1 b chúng ta cần −a=b
c
, điều kiện sau đó là
( )
a
v 2 v 3=0 trở thành 2 a/ √ 18+ 4 c / √ 18=0 hoặc−a=2 c . vì vậy v 3= −a và để nó là một
T
−a/2
( )
2/3
chiều dài đơn vị chúng ta cần a=2/3 v
chính vì vậy 3 = −2/3 .
−1/3
( )
1/ √ 2 1/ √ 2 0
A=U Σ V =U
T
( 5 0 0
0 3 0 )
1/ √ 18 −1/ √ 18 4 / √ 18
2/3 −2 /3 −1/3
1
Cuối cùng chúng ta có thể tính U theo công thức σ ui =A v i hoặc ui= A v i. Dẫn đến
σ
( )
U = 1/ √ 2 1 / √2 . Vì vậy SVD của ma trận A là:
1/ √ 2 −1 / √2
( )
1/ √ 2 1/ √ 2 0
A=U Σ V = (
1/ √ 2 1/ √ 2 5 0 0
T
1/ √ 2 −1/ √ 2 0 3 0 )( )
1/ √ 18 −1/ √ 18 4 / √ 18
2/3 −2 /3 −1/3
4
CHƯƠNG 3 ỨNG DỤNG PHÂN TÍCH SVD ĐỂ NÉN DỮ LIỆU
Mục đích của việc nén ảnh số là mã hoá các dữ liệu ảnh về một dạng thu gọn, tối thiểu
hoá cả số bit dùng để biểu diễn ảnh lẫn các sai khác do quá trình nén gây ra. Tầm quan
trọng của vấn đề nén ảnh có thể thấy rõ qua các số liệu cụ thể: với một bức ảnh trắng
đen kích thước 512x512 pixels, mỗi pixel được biểu diễn bởi 8 bits (biểu diễn một
trong 256 giá trị mức xám), cần khoảng 256 Kbytes dữ liệu. Với ảnh màu cần gấp ba
lần con số này. Với các dữ liệu video, cần 25 khung hình trên một giây, như vậy một
đoạn video chỉ 30s phải cần đến 540MB dữ liệu, một con số quá lớn. Do đó vấn đề nén
ảnh là hết sức cần thiết.
Nói chung, các phương pháp nén ảnh chủ yếu được phân thành 2 nhóm: nhóm không
tổn hao và nhóm có tổn hao. Các phương pháp nén ảnh không tổn hao cho phép biểu
diễn ảnh với chất lượng hoàn toàn ngang bằng với ảnh gốc. Các phương pháp này dựa
trên các giải thuật nén được áp dụng cho tất cả các đối tượng dữ liệu nói chung chứ
không chỉ riêng dữ liệu ảnh, ví dụ mã Huffman, mã số học, mã Golomb, ... Tuy nhiên,
các phương pháp này không lợi dụng được những đặc tính riêng của dữ liệu ảnh và tỷ
lệ nén rất thấp. Do đó, trong thực tế, các phương pháp nén có tổn hao là các phương
pháp được sử dụng chủ yếu. Với các phương pháp này, luôn có sự đánh đổi giữa dung
lượng ảnh với chất lượng ảnh.
Bằng cách phân tích ma trận ảnh A dưới dạng A=USV T , ta có thể biểu diễn xấp xỉ ma
trận A bằng ít phần tử hơn. Nếu hạng của ma trận A là r<m hoặc r<n, ta có thể giảm đi
những thông tin thừa:
Hơn nữa, các trị riêng được sắp xếp theo thứ tự giảm dần, do đó những số hạng phía
sau sẽ có ít ảnh hưởng đến ảnh và có thể bỏ đi các số hạng này.
MATLAB có hàm svd để thực hiện nhân tử hoá ma trận A thành USVT
5
>> [U,S,V] = svd(A)
Chúng ta có thể sử dụng hàm này kết hợp với phương trình (2) để viết một hàm nén
ảnh dùng giải thuật SVD. Ví dụ hàm svdcompr. Cú pháp của nó là:
trong đó infile và outfile là tên các file ảnh gốc và ảnh nén, singvals là số các trị riêng
lớn nhất được giữ lại.
6
numSVals = [numSVals; N];
end
Các câu lệnh trong thuật toán được sử dụng như sau:
- clear all: xóa tất cả các biến, hàm, khỏi bộ nhớ. Lệnh này làm cho bộ nhớ trống hoàn
toàn.
- rgb2gray: chuyển đổi hình ảnh RGB thành trắng đen bằng cách loại bỏ các thông tin
màu sắc và độ bão hòa nhưng vẫn giữ độ sáng.
- double: chuyển đổi sang số thập phân với độ chính xác kép.
- [U, S, V]=sdv(A): thực hiện phân rã giá trị đơn lẻ của ma trận A, sao cho A = U * S
* V '.
- imshow: cho chúng ta một hình ảnh trong định dạng tiêu chuẩn là 8-bit, giống như
trong một trình duyệt web.
7
- plot (numSVals, dispEr): Vẽ đồ thị tuyến tính trong không gian 2 chiều. (vẽ giá trị
numSVals theo giá trị dispEr).