【OpenCV3.3】特征值、奇异值分解与图像矩阵重构

      在图像处理方面，矩阵分解被广泛用于降维(压缩)、去噪、特征提取、数字水印等，是十分重要的数学工具，其中特征分解(谱分解)和奇异值分解是两种常用方法，本文简单介绍如何在OpenCV中使用它们对图像进行分解，然后重新构造图像。

      本文不会阐述两种分解的数学背景知识，但是为了方便读者唤醒记忆，会先贴出(部分)数学定义，详细的介绍和证明建议阅读矩阵理论相关书籍或者参考资料。

特征值分解

矩阵对角化定理(Matrix diagonalization theorem)：对于 N×N 方阵 A ，如果它有 N 个线性无关的特征向量，那么存在一个特征分解：

A=QΛQ⁻¹

其中， Q 是 N×N 的方阵，且其第 i 列为A 的特征向量q_i 。Λ是对角矩阵，其对角线上的元素为对应的特征值，即Λ_ii=λ_i。

更进一步，如果方阵 A 是对称方阵，可得 Q 的每一列都是 A 的互相正交且归一化（单位长度）的特征向量，即 Q⁻¹=Q^T，此即 对称对角化定理(Symmetric diagonalization theorem)。

奇异值分解

定义    设，的特征值为

则称为 A 的奇异值；当 A为零矩阵时它的奇异值都是0。

定理    设，则存在m阶酉矩阵U 和 n 阶酉矩阵V，使得

其中，而为矩阵A的全部非零奇异值。改写上式为

称该式为矩阵 A 的奇异值分解。

      由上述定义(结合矩阵理论)可以看到，特征分解相比奇异值分解其应用条件要苛刻得多，特征分解要求矩阵与 对角矩阵(可对角化) 或 Jordan标准形矩阵 相似，这在图像上一般是不满足的，而奇异值分解适用于任何矩阵，应用范围也就更加广泛，但是奇异值分解本身时间复杂度相当高，随着矩阵规模的增长，计算复杂度将呈立方增长，所以很多情况下直接套用而不考虑优化是达不到性能指标的。

      落实到OpenCV中，提供了两个直接计算的方法，其中cv::eigen用于计算对称矩阵的特征值和特征向量，cv::SVD::compute用于进行奇异值分解，两者在目前版本使用的都是雅可比(Jacobi)法，下面是具体的C++代码例子，完成了两种分解与矩阵重构：

#include "stdafx.h"#define CV_SHOW(a) cv::namedWindow(#a, cv::WINDOW_NORMAL); cv::imshow(#a, a); cv::resizeWindow(#a, a.cols * 3, a.rows * 3)//-------------------------------------------------------------------------INT WINAPI WinMain(_In_ HINSTANCE, _In_opt_ HINSTANCE, _In_ LPSTR, _In_ INT){cv::ipp::setUseIPP(true);// test.jpg是任意一副图片cv::Mat image = cv::imread("test.jpg", cv::IMREAD_REDUCED_GRAYSCALE_2);CV_SHOW(image);// 转换为OpenCV接受的计算类型，CV_32F或CV_64Fcv::Mat srcimage;image.convertTo(srcimage, CV_32FC1);// 因为非方阵没有特征值，故取一个正方形, 注意未必是对称矩阵，并且 cv::eigen 计算时只会取上三角矩阵，故还原出的图片只是一半+对称cv::Mat square_word(srcimage, cv::Rect(0, 0, MIN(srcimage.cols, srcimage.rows), MIN(srcimage.cols, srcimage.rows)));cv::Mat vals, vecs;cv::eigen(square_word, vals, vecs);// 上述函数返回的特征值是列向量，转为对角矩阵，方便后面直接应用矩阵乘法cv::Mat diagonal_vals(vals.rows, vals.rows, vals.type(), cv::Scalar(0));float *__restrict vals_data = vals.ptr<float>(0);for (int i = 0; i < vals.rows; ++i) { // 尝试减少i的迭代次数，可以看到恢复后的图像与原图差距越来越大diagonal_vals.ptr<float>(i)[i] = vals_data[i];}// 根据公式，我们需要计算特征向量构成的矩阵的逆矩阵；由于属于不同特征值的特征向量线性无关，故而vecs必定可逆；// 注意每个特征向量以行形式存在vecs里，需要先转为列形式cv::transpose(vecs, vecs);cv::Mat vecs_inverted;cv::invert(vecs, vecs_inverted);// 恢复原图(的一半)cv::Mat e = vecs * diagonal_vals * vecs_inverted;// cv::imshow时如果输入图像是32位浮点类型，每个像素值会乘以255，这不是我们想要的e.convertTo(e, CV_8UC1);CV_SHOW(e);// 奇异值分解适用于任何矩阵，直接对srcimage进行计算cv::Mat w, U, Vt;cv::SVD::compute(srcimage, w, U, Vt);// 同样的，存放奇异值的W是列向量，转为对象矩阵cv::Mat W(w.rows, w.rows, w.type(), cv::Scalar(0));float *__restrict w_data = w.ptr<float>(0);for (int i = 0; i < w.rows; ++i) { // 奇异值已经按递减排序，一般取前面几个大的值就足以还原出基本原图，即有损压缩，这一过程也会将一些噪声压缩掉W.ptr<float>(i)[i] = w_data[i];}// 恢复原图cv::Mat svd = U * W * Vt;// 显示svd.convertTo(svd, CV_8UC1);CV_SHOW(svd);return cv::waitKey();}

        参考资料

1. 黄廷祝,钟守铭,李正良. 矩阵理论[M].北京:高等教育出版社,2003.32-37.
2. 程云鹏,张凯院,徐仲. 矩阵论[M].西北工业大学出版社,2006.9.1
3. 特征值分解和主成份分析