文件名称:奇异值分解-abb 智能建筑控制系统i-bus eib-knx产品手册
文件大小:4.56MB
文件格式:PDF
更新时间:2024-07-17 13:05:51
弱小目标检测
4.3 奇异值分解 奇异值分解(Singular Value Decomposition,SVD) [93-96] 是线性代数(Linear Algebra) 中一种非常基本的矩阵分解,基于奇异值分解的奇异值特征在图像描述方面具有稳定 性以及众多的不变性,可以有效描述图像的代数特征。因此,奇异值分解理论在信号 与图像处理、统计学等领域均有着重要作用,并且已经广泛应用于数据压缩、模式分 析、信号处理和统计分析等领域。 根据奇异值分解的相关理论,对于一幅大小为 NM 像素的图像 I ,可以用矩 阵形式表示为 NM RI 。设 I 的秩为 r ( ),( NMminr ),则 I 可以表示为 r 个大小 为 NM 的矩阵相加求和的形式,即 r i T iii VUI 1 (4-1) 式中, ii ( 0;,,3,2,1 21 rri )是 I 的奇异值,Ui 和 Vi 分别是 II T 和 I T I 对应于非零特征值 i 的特征向量, T i V 是 iV 的共轭转置矩阵。而 T iii VU 是由 i 奇异值重构出的矩阵,可以称为图像的第 i 个成分,奇异值对应成分占图像矩阵的比 重与奇异值的大小成正比。 从图像复原或者图像重构的角度出发,有助于更好地理解式(4-1)。图像进行奇 异值分解后,得到的是一系列大小不同的奇异值。当奇异值等于零时,说明不含有图 像重构所需要的任何信息;当奇异值接近于零时,说明只包含少量图像重构所需要的 信息;当奇异值较大时,说明包含了图像重构的所需要的重要信息。因此,进行图像 重构时,可以完全忽略零奇异值。针对不同的目的,可以选择不同数目的非零奇异值 进行重构即可,如式(4-2)所示。 r i T iii VUI ~~ 1 (4-2) 式中, r~ ( rr ~ )表示重构图像 I ~ 时所选取的奇异值的个数。 图 4.4 给出了一组对一幅含有弱小目标的红外图像进行奇异值分解,然后选取不 同数目的奇异值重构原始图像的结果。图 4.4(a)是分解的原图,图 4.4(b)、(c)、 (d)分别是选取前 5 个、前 50 个、前 100 个奇异值进行重构的结果。图 4.5 是图 4.4 中原图的奇异值分解后得到奇异值所画成的曲线,为了便于观察,把图 4.5(a)的奇 异值进行对数运算 )()( ilogif 后得到图 4.5(b)所示的曲线。 万方数据