【OpenCV3.3】特征值、奇异值分解与图像矩阵重构

最新推荐文章于 2026-06-26 16:33:46 发布
原创 最新推荐文章于 2026-06-26 16:33:46 发布 · 1.6w 阅读 · 7
本文介绍了如何在OpenCV3.3中使用特征值分解和奇异值分解对图像进行处理。这两种矩阵分解方法常用于图像降维、去噪和特征提取。虽然特征分解对矩阵的要求更为严格，但奇异值分解适用于所有矩阵，尽管其计算复杂度较高。在OpenCV中，cv::eigen用于对称矩阵的特征值和特征向量计算，而cv::SVD::compute则用于奇异值分解。文章提供了相关代码示例来展示这两种分解方法及矩阵重构的过程。

      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

最低0.47元/天 解锁文章
特征分解的推导与意义与opencv代码
Dang_boy的博客
12-20 1320
特征值与特征向量 定义：Ax⃗=λx⃗A\vec{x}=\lambda\vec{x}Ax=λx 则称λ\lambdaλ为矩阵A的特征值，x⃗\vec{x}x称为λ\lambdaλ对应的特征向量。 假设A是一个可对角化的矩阵，并且具有n个线性独立的特征向量P=[P1⃗ P2⃗ P3⃗…Pn⃗]P=[\vec{P_1} \ \vec{P_2}\ \vec{P_3} … \vec{...
【OpenCV4】计算对称矩阵特征值和特征向量 cv::eigen() 用法详解和代码示例（c++）
AItrust的博客
08-16 3611
【OpenCV4】计算对称矩阵特征值和特征向量 cv::eigen() 用法详解和代码示例（c++）
OpenCV与Eigen （C++）【学习备忘】
expert_joe的博客
01-17 7914
C++ OpenCV
OpenCV学习之SVD技术进行图像分解与重构
AutoXTruck专栏
04-21 2922
简述 　　上一篇博文算法学习之SVD理论推导介绍了SVD矩阵分解的完整过程，感兴趣的可以去阅读一下。本文以图像为基础，利用SVD理论对二维图像矩阵进行分解，同时选取不同的特征值个数来对图像进行重构。主要使用OpenCV第三方视觉库完成SVD应用过程，原谅我这个调包小虾米。 　　使用OpenCV库的SVD功能API函数时，简短说一下SVD的分解矩阵，我们通过对图像矩阵AAA(m×nm×nm×n，其中...
矩阵特征分解介绍及雅克比(Jacobi)方法实现特征值和特征向量的求解(C++/OpenCV/Eigen)
热门推荐
网络资源是无限的
05-29 4万+
矩阵特征分解介绍及雅克比(Jacobi)方法实现特征值和特征向量的求解(C++/OpenCV/Eigen)
矩阵分解的几何意义：从特征值分解看图像压缩原理
h3i4j的博客
02-24 643
本文深入探讨了矩阵分解的几何意义，特别是特征值分解和奇异值分解（SVD）在图像压缩中的应用原理。通过分析图像矩阵的数学表示和SVD的低秩近似特性，揭示了如何通过保留关键奇异值实现高效图像压缩。文章还提供了基于OpenCV的实践代码，并比较了SVD与PCA及其他矩阵分解方法的异同，为数字图像处理提供了理论基础和技术指导。
探索奇异值分解（SVD）对于图像的影响
擦擦擦大侠的博客
06-04 1035
探索奇异值分解（SVD）对于图像的影响 参考https://www.cnblogs.com/endlesscoding/p/10033527.html 图像中比较基础的一种方法：利用矩阵的奇异值分解方法，可以用更少、更大的特征值与特征矩阵做运算代替这个矩阵，从而代替这幅图像，完成图像的压缩过程。特征值的大小对应着信息量，那么选择最大一组特征值，就可以相当程度的去代替、压缩图像。 import cv2 import matplotlib.pyplot as plt # plt 用于显示图片 import m
图像处理之SVD检测显示屏缺陷（C++）
qq_45045175的博客
05-08 1665
本文介绍了SVD在缺陷检测中的应用和OpenCV的svd使用
张量分解之 代码实现篇（持续更新）
欢迎来到 豪哥 的博客
07-20 3384
奇异值分解及图像应用 若果想知道特征值，奇异值的介绍，数学原理，推导等等。。猛戳这里~~ 上代码 import numpy as np # 实对称矩阵A A = np.array([[1, 2, 3], [2, 4, 5], [3, 5, 6]]) print('A shape: {}'.format(A.shape)) # 计算A的特征值和特征向量 eig_values, U = np.linalg.eig(A) print("eigenval
用NumPy和SVD实现图像矩阵压缩的实战指南
tang_zongyun的博客
06-16 143
图像在计算机中本质是二维数字矩阵，其压缩问题可归结为低秩矩阵近似这一基础线性代数任务。SVD（奇异值分解）凭借普适性与最优逼近性，成为处理任意尺寸图像矩阵的数学基石；它不依赖图像语义，仅通过纯数值分解揭示信息主干——前k个奇异值即承载图像结构‘灵魂’的核心分量。结合NumPy高效实现，SVD可在保留高PSNR/SSIM指标前提下，将文件体积压缩70%以上，广泛适用于医疗影像预处理、在线教育图优化、卫星遥感数据降维等工程场景。
MatCal：轻量级矩阵计算工具在工程数学中的高效应用
weixin_30412167的博客
06-19 415
矩阵计算是科学计算与工程分析的基础，其核心在于通过矩阵运算解决线性代数问题，如特征值求解、线性方程组计算等。从原理上看，矩阵运算通过优化算法实现高效数值处理，其技术价值在于为控制系统分析、数据拟合等场景提供直接数学支持。在工程实践中，交互式计算环境能快速验证算法，而向量化操作与稀疏矩阵应用则显著提升大规模问题处理效率。MatCal作为专注矩阵与符号计算的轻量级工具，通过简洁语法和内置函数库，实现了从理论推导到实际应用的无缝衔接，特别适合快速迭代的数学验证与中小规模数值实验。
PCA openCA 中使用 PCA 降维
xxw0611的专栏
01-14 1290
test
【OpenCV 例程 300篇】235. 特征提取之主成分分析（sklearn）
youcans的博客
07-20 2755
主成分分析（Principal Components Analysis，PCA）是一种基于统计的数据降维方法，又称主元素分析、主分量分析。 SKlearn 工具包提供了多种降维分析方法。sklearn.decomposition.PCA 类是 PCA算法的具体实现。 **sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)** SKlearn 工具包针对实际问题的特殊性，发展了各种改进算法.........
Challenge_4: 基于特征匹配的摄像头姿态估计
lyq123180的专栏
08-08 1136
基于之前所做的特征匹配来实现摄像头姿态估计，即通过移动摄像头拍摄同一物体（如一本书）在不同姿态下的图片而计算出两次或者多次摄像头拍摄的位置。 要实现这一点，首先要对摄像头进行标定，获得摄像头的内参数，建立起摄像头的成像模型，才能够将图像物理坐标系（即照片中）中的点的信息与世界坐标系中的信息（即摄像头拍摄的位置）联系起来。 摄像头标定opencv已经提供了例程。 代码见。 htt
3D高斯泼溅中的各向异性可见性与不确定性量化
最新发布
weixin_34331102的博客
06-26 330
3D高斯泼溅（3DGS）作为新一代可微分三维重建范式，正从‘视觉保真’迈向‘几何可信’。其核心瓶颈在于传统各向同性假设无法刻画真实场景中高斯椭球的方向敏感可见性——当物体存在反光、薄结构或复杂拓扑时，标准3DGS易产生深度跳变与雾状伪影。各向异性可见性场通过将标量可见性升级为方向相关概率函数，结合协方差矩阵的特征结构建模视线穿透行为；不确定性量化则依托梯度方差与特征值比等信号，实现对重建结果置信度的端到端估计。该技术显著提升医疗影像边界精度、自动驾驶路沿石建模鲁棒性及工业检测首次合格率（FAI），已在齿轮扫
PCA手写全流程：标准化、方差解释与工程落地实战
weixin_36250541的博客
06-23 389
主成分分析（PCA）是机器学习中基础且关键的线性降维技术，其核心原理在于通过正交变换将高维数据投影到方差最大的低维子空间，实现信息压缩与结构揭示。理解PCA需把握三大支柱：标准化先行以消除量纲干扰、方差即信息以量化特征重要性、投影即重构以保留数据本质结构。该技术广泛应用于数据可视化、计算加速、噪声抑制及特征工程等场景，在医疗影像分析、工业时序建模和大规模图像处理中尤为关键。本文聚焦真实工程实践，深入剖析标准化策略选择、协方差矩阵的内存优化求解、explained_variance_ratio_的业务语义解读
MaxCompute Mars开发指南
zhaowei121的博客
04-18 186
Mars 算法实践 人脸识别 Mars 是一个基于矩阵的统一分布式计算框架，而且Mars已经在 GitHub 中开源。当你看完 Mars 的介绍可能会问它能做什么，这几乎取决于你想做什么，因为 Mars 作为底层运算库，实现了numpy70% 的常用接口。这篇文章将会介绍如何使用 Mars 完成你想做的事情。 奇异值分解 (SVD) 在处理纷繁的数据时，作为数据处理者，首先想到的...
低秩矩阵(矩阵填充)-图像修复、协同过滤
qinglv1的博客
06-14 1万+
转载自: https://blog.csdn.net/manduner/article/details/80564414一、矩阵填补（Matrix Completion）        矩阵填补的应用很广泛，论文《Matrix completion by deep matrix factorization》就给出了矩阵填补的两个应用：图像修复（image inpainting）、协同过滤（Coll...
机器学习实战——SVD（奇异值分解）
for happy の road
03-31 1445
与PCA一样的学习过程，在学习SVD时同样补习了很多的基础知识，现在已经大致知道了PCA的应用原理，SVD个人感觉相对要难一点，但主要步骤还是能勉强理解，所以这里将书本上的知识和个人的理解做一...
特征工程学习整理
weixin_42209537的博客
03-12 2775
特征工程是机器学习中非常重要的一步，它可以有效提高模型的性能，特征工程主要包括特征提取、特征变换和特征构造三个方面。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值