社区
新手乐园
帖子详情
关于svd和图像分块方面一个问题(新人求助)
qq_42243533
2018-06-10 10:01:54
这里图像块的方向角度的求解公式不太理解,希望有人能帮忙解惑一下。
非常感谢!
...全文
989
9
打赏
收藏
关于svd和图像分块方面一个问题(新人求助)
这里图像块的方向角度的求解公式不太理解,希望有人能帮忙解惑一下。 非常感谢!
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
9 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
qq_42243533
2018-06-15
打赏
举报
回复
确认一下我的想法:方向y就是梯度矩阵的方向角?就是梯度方向角? S1,1和S2,2就是S矩阵上前两个也就是最大的两个奇异值吗?
qq_42243533
2018-06-14
打赏
举报
回复
表示,我并不是要求你告诉我代码该怎么写,怎么敲。SVD我以前并没有接触过,而用SVD对图像分块就更不用说了。我自己也有在百度查阅相关的资料,我现在需要的只是帮我点明一些东西。我也不奢求通过这一个帖子让我对svd了如指掌。我现在想要的只是比如说你给了我这个函数要告诉我该怎么调用,或者说,你给了我这个计算公式,至少得让我知道这代表什么(可以与我拥有的知识连接起来)。我现在想要的只是这个。我现在对svd的理解是很模糊的,这个我必须得承认。你说的自己一步一步分析是没有错,但是有人指点可以让我理解的更快。这也是我发论坛的原因之一。 还有。,。你说的调试,似乎和我问的问题没有关系吧。
赵4老师
2018-06-14
打赏
举报
回复
代码功能归根结底不是别人帮自己看或讲解或注释出来的;而是被自己静下心来花足够长的时间和精力亲自动手单步或设断点或对执行到某步获得的中间结果显示或写到日志文件中一步一步分析出来的。 提醒:再牛×的老师也无法代替学生自己领悟和上厕所! 单步调试和设断点调试(VS IDE中编译连接通过以后,按F10或F11键单步执行,按Shift+F11退出当前函数;在某行按F9设断点后按F5执行停在该断点处。)是程序员必须掌握的技能之一。
qq_42243533
2018-06-13
打赏
举报
回复
你好,首先,非常感谢你的回答。然后。。。不知道你能不能讲的细节一点或者具体一点。svd我有点难以理解,里边具体的内容我现在的数学知识我看不懂。我现在只是希望用代码进行实现。 比如我已经把图像块存入了vector容器里,针对这个图像块矩阵(8*8),进行了SVD分解,得到了3个矩阵,U,S,V3个,S矩阵里,对角线元素是只取前两个对角线元素进行计算来代表主方向测度么?“v1(1)和v1(2):X方向和Y方向的坐标值”,这句话里,X,Y方向的坐标值我不懂,因为我不知道它在矩阵里对应的是哪个值。在V矩阵里,第几列第几行代表这些值? 如果可以的话,希望你可以告诉我。(不一定要告诉我原理,只需要告诉我他们在一个矩阵里代表的值或者说他们在哪个位置。) 谢谢!
tony2278
2018-06-13
打赏
举报
回复
eg. pixel A的位置表示是:(100,150)
tony2278
2018-06-13
打赏
举报
回复
v1(1)和v1(2):X方向和Y方向的坐标值
qq_42243533
2018-06-12
打赏
举报
回复
搜了,还是解决不了才来发帖的,。。。详细说的话,v1(1)和v1(2)代表的是什么。是v列的第一列第一个值和第二个值吗?s11,s22是对角线上的所有元素还是前两个对角元素。
待续_1006
2018-06-11
打赏
举报
回复
百度搜相关关键字。
几个推荐算法的java实现
java实现的几个推荐算法:slopeone
SVD
,R
SVD
,ItemNeighbor
SVD
内有readme,相关内容在blog.csdn.net/lgnlgn
机器学习实战:用
SVD
压缩
图像
前文我们了解了奇异值分解(
SVD
)的原理,今天就实战一下,用矩阵的奇异值分解对图片进行压缩. Learn by doing 我做了
一个
在线的
图像
压缩应用,大家可以感受一下。 https://huggingface.co/spaces/beihai/Image-Compression-with-
SVD
功能很简单,上传需要压缩的图片,选择压缩比,提交即可。 下面咱们就一起看看实现过程 用
SVD
压缩
图像
原理很简单: 将图片分解为RGB三颜色矩阵,将每个颜色矩阵进行奇异值分解,然后
SVD
在
图像
压缩上的应用(基于matlab和python)
图形压缩示例
一个
图形矩阵,我们总可以将它分解为以下形式,通过选取不同个数的Σ中的奇异值,就可以实现
图像
的压缩。
一个
简单的示例如下: 通过选取不同个数的奇异值,我们的压缩
图像
可以越来越接近我们的真实
图像
。 可以发现,在选取10个奇异值时,能大概看出蝴蝶轮廓;在选取30个奇异值时,蝴蝶已经成型,但是存在很明显的噪声点;而在取50个奇异值或者更多时,
图像
基本还原,不会再发生很大的改变。奇异值个...
SVD
分解原理及基于
SVD
分解的
图像
压缩和去噪
SVD
分解是矩阵论中的
一个
知识点,特征值分解可以得到特征值与特征向量,特征值表示的是这个特征到底有多重要,而特征向量表示这个特征是什么,可以将每
一个
特征向量理解为
一个
线性的子空间,我们可以利用这些线性的子空间干很多的事情。
SVD
分解的公式如下,其中U和V都为正交矩阵,中间的为特征值构成的对角矩阵,相对于正交对角分解,
SVD
分解的适应性更强,应为A不必是方阵,下面是
SVD
分解的公式。 用
SVD
做
图像
压缩,就是用部分特征值以及左/右奇异矩阵部分列来近似矩阵A。对角矩阵的对角线元素都为非负的实数,且按...
机器学习笔记 -
SVD
奇异值分解(3) 在
图像
上应用
SVD
在这个例子中,我们将使用
SVD
从
图像
中提取更重要的特征。可以直观看到
SVD
对视觉效果的影响。 让我们首先在 python 中加载
图像
并将其转换为 Numpy 数组。 然后将其转换为灰度,以使每个像素具有一维。 矩阵的形状对应于填充有强度值的
图像
的尺寸:每个像素 1 个单元。 我们测试
SVD
对图片的影响! 让我们开始提取左奇异向量、奇异值和右奇异向量。
新手乐园
33,311
社区成员
41,784
社区内容
发帖
与我相关
我的任务
新手乐园
C/C++ 新手乐园
复制链接
扫一扫
分享
社区描述
C/C++ 新手乐园
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章