图像处理中的数学知识

矩阵的特征值、特征向量的概念

这里，我们讨论的是 n 阶的方阵A

定义

从向量的定义可知，它是方向和长度的结合体。当一个线性变换 A 作用在 n 维线性空间V中的某一非零向量 x 上时，便是对该向量的长度和方向进行变化。然而，存在一些向量，线性变换A并没有改变其方向，而只是改变了长度，这种向量，叫做线性变换 A 的特征向量，它在变换中被改变的倍数，叫做它的特征值。用数学公式表示这一概念，即：

Ax=λx(1)

其中， λ 的个线性变换 A 的某一个特征值。从公式上可以轻易发现，如果某一向量x 是线性变换 A 的特征向量，那么与其方向相同的任意长度（不为零）向量，都是A 的特征向量，并且属于同一个特征值 λ 。由于相同方向的特征向量具有相同特征值，我们可以同特征值来描述这一族向量（同一个特征值，可以有多个方向的特征向量）。
从公式（1）中，可以看出特征向量和特征值的计算方法：
|λE−A|=0(2)
(λE−A)x=0(3)

对应于同一个线性变换 A ，可以有多个特征向量（方向不同），但是有多个特征向量可以对应同一个特征值。 一个向量是一个方向，两个不同方向的向量就可以张成一个空间。在相同特征值的特征向量张成的空间内，任何一个向量在变换A下，都有相同的放大倍数 λ 。

公式（2）的左侧，总可以展成如下形式的多项式：

|λE−A|=λn−(a11+a22+⋯+ann)λn−1+⋯+(−1)n|A|

所以求特征值就是求下面方程的解：

λn−(a11+a22+⋯+ann)λn−1+⋯+(−1)n|A|=0(4)

关于从方程（4）得到的特征值，有几个比较重要的结论（参考资料1）：

1. n 阶矩阵在复数范围内，一定有n个特征值（重特征值按重数计算个数）。
2. n 阶矩阵在实数范围内有多少个特征值是不一定的
3. n阶实对称矩阵可以看成是一个特例，因为它一定有 n 个实特征值（重特征值按重数计算个数）。如果其中一个特征值λ=0，矩阵的秩 r(A)=k ，（ 0<k<n ， k 是正整数），则λ=0恰为 A 的n−k重特征值。
4. 如果 n 阶矩阵A不是对称矩阵，那么， λ=0 至少为 A 的n−k重特征值。

关于特征值和特征向量的理解，参考资料3写的也很好，知乎上有很多大神的回答直击要害，对问题的理解很有帮助。

作用

参考资料4中，认为矩阵的变换有三个作用：旋转，拉伸和投影。
当 A 是一个n×n方阵时，只涉及到旋转，拉伸。如果矩阵在实数域内可以得到 n 个特征值（重特征值按重数计算个数），那么利用其对应的特征向量（单位化后）组成矩阵正交Q可以使得：

A=QΛQ−1

其中正交矩阵 Q 起到旋转作用（旋转矩阵都是正交矩阵，且行列式都为1），对角矩阵Λ 起拉伸作用。
当矩阵不是方阵而是 m×n 时，可以对其进行 SVD分解
在之前，想研究一下正交矩阵。

正交矩阵

按照定义，正交矩阵是 QQT=E ，它的行列式为1或者-1。

正交矩阵的性质

了解正交矩阵的性质，在很多计算方面，能够更深入了解所进行的运算的意义。
我们这里说的都是有限维欧式空间内的正交矩阵

1. 正交矩阵的转置、伴随矩阵、之间的积矩阵都是正交矩阵；
2. .每一行（列）都是单位向量
3. 任意两行或两列相互垂直
4. 其行列式等于±1

假设 n 维欧式空间Rn中，一个正交变换 Q 存在一个一一对应的正交矩阵 Q 。所以研究正交变换的性质，可以转为研究正交矩阵。
根据正交矩阵行列式的值，将其分为两类：|Q|=1，为第一类； |Q|=−1 ，为第二类。
第一类正交矩阵，当其左乘一个向量时，几何意义是使该量在 Oxyz 坐标系下旋转；
第一类正交矩阵，当其左乘一个向量时，几何意义是使该向量沿 Oxyz 某一轴（点）进行反射；^[5]
无论是哪一类正交矩阵，其左乘向量，均不会改变向量的长度，即 |Qv|=|Q|⋅|v|=|v| 。
所以上面将矩阵 A 拆成A=QΛQ−1的形式后，由于 Q 是正交矩阵，它作用在向量v上，只是对其进行旋转或者反射，而对向量长度有影响的是矩阵 Λ 。其上的元素由矩阵 A 的特征值组成。
需要注意的是，只有当矩阵A能够在实数域内有n个特征值（重数也计入）的情况下，可以如此分解。但是，对更多的一般性矩阵 A ，在实数域内没有n个实特征根，或者是更一般的 m×n 维矩阵，此时，我们用SVD分解的方法进行研究。

SVD分解

协方差

假设有两个变量 X 和Y，他们的取值为 X={x1,x2,⋯,xn} ， Y={y1,y2,⋯,yn} ，他们的平均值(期望)记为是 E(X)=X¯=1n∑xi ， E(Y)=Y¯=1n∑yi 。 X 和Y的协方差就是研究两个变量之间的相关关系。比如当一个的取值不断增大时，另一个变量的取值如何变化，知乎上的一篇文章（ 如何通俗易懂地解释「协方差」与「相关系数」的概念？）讲的很好。

根据奇异值分解

与 n×n 阶矩阵按特征值分解相似，任一 m×n 阶矩阵 A 也可以写成类似的形式：

A=UΣVT(5)

那么得到的U是一个 m×m 的方阵（里面的向量是正交的， U 里面的向量称为左奇异向量），Σ 是一个 m×n 的矩阵（除了对角线的元素都是0，对角线上的元素称为奇异值）， VT ( V 的转置)是一个n×n 的矩阵，里面的向量也是正交的， V 里面的向量称为右奇异向量）。

求法

利用如下公式可以计算出各矩阵：

(ATA)vi=λivi(6)

δi=λi−−√(7)

ui=1δiAvi(8)

对方程计算，得到的 v ，就是的右奇异向量；σ 就是 奇异值， u 就是左奇异向量。

作用

当矩阵A=UΣVT左乘一个向量 v 时，只有Σ对向量的长度进行了拉伸（收缩），而矩阵 U 、V都只是对其进行旋转或反射。当作用在图像上时，也只有 Σ 对图像进行了各个方向上的伸缩改变。

用奇异值分解图像

用奇异值的方法，将这幅图像进行分解，得形如 A=UΣVT 格式的矩阵。其中 Σ 是由矩阵奇异值由大到小排列组成的对角矩阵。
我们分别保留前10,30,100,300个奇异值，其余奇异值设为0，比较图像的变化：

奇异值保留前10

奇异值保留前30

奇异值保留前100

奇异值保留前300。

代码

import cv2
import numpy as np
from numpy import linalg as la  # 用到别名
from scipy.misc import imsave

import scipy
im = cv2.imread('lena512.bmp')
print(im.shape)
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
U, Sigma, VT = la.svd(gray)
print('矩阵U的形状：', U.shape, '    矩阵Sigma的形状：',
      Sigma.shape, '    矩阵VT的形状：', VT.shape)
se = np.eye(512, dtype=np.float64)
n = 512
i = 0
k = 30  # 保留特征值数目
# 改变特征值
while i < n:
    if i > k - 1:
        Sigma[i] = 0
    se[i, i] = Sigma[i]
    i += 1

svt = np.dot(se, VT)
usvt = np.dot(U, svt)
imsave('USVT_Sigma=30m.bmp', usvt)

参考资料

1. 秦川, 李小飞. 方阵的秩与特征值的关系[J]. 课程教育研究:学法教法研究, 2015(27):120-120.
2. 如何通俗易懂地解释「协方差」与「相关系数」的概念？
3. 如何理解矩阵特征值？马同学的回答
4. 矩阵的特征值分解与奇异值分解的几何意义
5. 杜美华, 孙建英. 正交变换的几何意义及其应用[J]. 哈尔滨师范大学自然科学学报, 2014, 30(3):36-39.