非负矩阵进行图像压缩的算法
时间: 2023-06-14 21:05:30 浏览: 53
非负矩阵分解(Non-negative matrix factorization, NMF)是一种常用的矩阵分解方法,可以有效地将原始数据矩阵分解成两个非负的低秩矩阵,即$A \approx WH$,其中$A$是原始数据矩阵,$W$和$H$都是非负矩阵,它们的秩都比$A$要小,因此可以用来进行图像压缩。
具体地,对于一张$m \times n$的图像,可以将其表示为大小为$m \times n$的矩阵$A$。假设希望将图像压缩成$k$个基本模式,可以通过NMF将$A$分解成两个非负矩阵$W$和$H$,其中$W$的大小为$m \times k$,$H$的大小为$k \times n$,则原始图像可以近似表示为$A \approx WH$。
在NMF中,$W$表示图像中的基本模式,$H$表示每个像素点在这些基本模式上的权重。因此,可以通过选择适当的$k$值,来控制图像的压缩比例。具体而言,当$k$越小,压缩比例越高,但是图像的失真程度也会越大。
NMF算法可以使用多种方法进行求解,常见的方法包括基于梯度下降的算法和基于交替最小二乘的算法。
相关问题
求MATLAB代码,要求:非负矩阵分解和图非负矩阵分解算法的模型、优化、收敛。对给定的数据集进行这两种非负矩阵分解,分别给出每次迭代的目标函数序列收敛曲线,对比两种方法求解的基矩阵(基向量变为图像大小),同时对比主成分分析求解的特征。
为了回答您的问题,我需要先简单介绍一下非负矩阵分解和图非负矩阵分解算法。
非负矩阵分解是一种常用的矩阵分解方法,其目的是将一个非负矩阵分解为两个非负矩阵的乘积。具体来说,给定一个 $m\times n$ 的非负矩阵 $A$,我们的目标是找到两个非负矩阵 $W$ 和 $H$,使得 $A\approx WH$,其中 $\approx$ 表示近似相等。这个分解的好处是可以将 $A$ 中的信息分解到 $W$ 和 $H$ 中,从而简化数据的处理和分析。非负矩阵分解常用于文本和图像处理等领域。
图非负矩阵分解算法是一种基于非负矩阵分解的图像处理算法,其目的是将一幅图像分解为两个非负矩阵的乘积。具体来说,给定一幅大小为 $m\times n$ 的灰度图像 $I$,我们的目标是找到两个非负矩阵 $W$ 和 $H$,使得 $I\approx WH$。其中 $W$ 表示基向量,$H$ 表示系数矩阵,$WH$ 表示重构图像。图非负矩阵分解算法的好处是可以提取出图像中的特征信息,实现图像的压缩和重构。
下面是用 MATLAB 实现非负矩阵分解和图非负矩阵分解算法的代码:
```matlab
% 非负矩阵分解算法
function [W,H,obj] = nmf(A,k,max_iter)
% A:原始矩阵
% k:分解后的矩阵的列数
% max_iter:最大迭代次数
[m,n] = size(A);
W = abs(randn(m,k)); % 随机初始化矩阵 W
H = abs(randn(k,n)); % 随机初始化矩阵 H
obj = zeros(1,max_iter); % 存储目标函数值的序列
for i = 1:max_iter
% 更新矩阵 H
H = H.*(W'*A)./(W'*W*H+eps);
% 更新矩阵 W
W = W.*(A*H')./(W*H*H'+eps);
% 计算目标函数值
obj(i) = norm(A-W*H,'fro')^2;
end
end
% 图非负矩阵分解算法
function [W,H,obj] = gnmf(I,k,max_iter)
% I:原始图像
% k:分解后的矩阵的列数
% max_iter:最大迭代次数
[m,n] = size(I);
I = double(I); % 将图像转换为双精度型
W = abs(randn(m,k)); % 随机初始化矩阵 W
H = abs(randn(k,n)); % 随机初始化矩阵 H
obj = zeros(1,max_iter); % 存储目标函数值的序列
for i = 1:max_iter
% 更新矩阵 H
H = H.*(W'*I)./(W'*W*H+eps);
% 更新矩阵 W
W = W.*(I*H')./(W*H*H'+eps);
% 计算目标函数值
obj(i) = norm(I-W*H,'fro')^2;
end
% 将基向量 W 转化为图像
for i = 1:k
im = reshape(W(:,i),[sqrt(m),sqrt(m)]);
im = im./max(max(im))*255;
imwrite(uint8(im),['basis_' num2str(i) '.bmp']);
end
end
```
代码中的 `nmf` 函数实现了非负矩阵分解算法,输入参数为原始矩阵 $A$、分解后的矩阵的列数 $k$ 和最大迭代次数 `max_iter`,输出参数为基矩阵 $W$、系数矩阵 $H$ 和目标函数值的序列。`gnmf` 函数实现了图非负矩阵分解算法,输入参数为原始图像 $I$、分解后的矩阵的列数 $k$ 和最大迭代次数 `max_iter`,输出参数为基矩阵 $W$、系数矩阵 $H$ 和目标函数值的序列。在 `gnmf` 函数中,我们还将基向量 $W$ 转化为图像,保存在当前目录下。
为了对比两种方法求解的基矩阵和主成分分析求解的特征,我们可以使用以下代码:
```matlab
% 读取图像数据
I = imread('lena.bmp');
[m,n] = size(I);
% 将图像转化为矩阵
A = double(I(:));
A = A-mean(A);
% 主成分分析
[coeff,score,latent] = pca(A);
% 非负矩阵分解
k = 10; % 分解后的矩阵的列数
max_iter = 100; % 最大迭代次数
[W,H,obj_nmf] = nmf(A,k,max_iter);
% 图非负矩阵分解
k = 10; % 分解后的矩阵的列数
max_iter = 100; % 最大迭代次数
[W,H,obj_gnmf] = gnmf(I,k,max_iter);
% 绘制目标函数序列收敛曲线
figure;
plot(1:max_iter,obj_nmf,'r',1:max_iter,obj_gnmf,'b');
legend('NMF','GNMF');
xlabel('Iteration');
ylabel('Objective Function Value');
% 绘制基矩阵
figure;
for i = 1:10
subplot(2,5,i);
imshow(reshape(W(:,i),[sqrt(m),sqrt(m)]),[]);
end
% 绘制主成分分析求解的特征
figure;
for i = 1:10
subplot(2,5,i);
imshow(reshape(coeff(:,i),[sqrt(m),sqrt(m)]),[]);
end
```
代码中首先读取了一幅图像,然后将图像转化为矩阵,并进行主成分分析、非负矩阵分解和图非负矩阵分解。最后,我们绘制了目标函数序列收敛曲线、基矩阵和主成分分析求解的特征。需要注意的是,由于图像分解得到的基矩阵是非负的,因此我们需要将其进行归一化,以便于显示。
希望这个回答能够帮助到您!
基于矩阵分解的表示算法
基于矩阵分解的表示算法是一种常见的机器学习算法,用于将高维数据映射到低维空间中。这种算法的基本思想是将一个大矩阵分解为几个小矩阵的乘积,从而得到更简洁的矩阵表示。
其中,最常见的基于矩阵分解的表示算法包括主成分分析(Principal Component Analysis,PCA)、奇异值分解(Singular Value Decomposition,SVD)和非负矩阵分解(Non-negative Matrix Factorization,NMF)等。
PCA算法是将原始数据映射到低维空间,保留最大方差的一种线性降维算法。SVD算法则是将一个大矩阵分解为三个小矩阵的乘积,分别是左奇异矩阵、对角线矩阵和右奇异矩阵,它在多个领域有广泛应用,如信号处理、图像压缩等。而NMF算法则是在限制因素下,将原始数据分解为两个非负矩阵的乘积,用于文本挖掘、图像处理、音频处理等领域。
总之,基于矩阵分解的表示算法是一种强大的降维工具,可以帮助我们更好地理解高维数据,并有效地提取其中的有用信息。
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)