l gebr a de c ompr esi n

l gebr a de c ompr esi n

UADE / M. Martins F. Acero / 2004
A = U S V
T
A =
i
u
i
v
i
T

1

2
...
Una matriz de n x m x 3 nmeros
A cada pixel se le asigna un vector de R
3
El vector indica la composicin RGB (red-
green-blue).
Por ejemplo, un pixel marcado con el vector
(1, 0, 0) se ver as:
i magen c ol or
Es una matriz de n x m nmeros
A cada pixel se le asigna un nmero
El nmero slo puede ser 0 o 1
Por ejemplo, un pixel marcado con el nmero
1 se ver as:
i magen bl anc o y negr o
i magen bl anc o y negr o

0 1 1 0 0
0 0 0 1 0
0 1 1 0 1
1 0 1 1 0
1 1 0 0 0
Es una matriz de n x m nmeros
A cada pixel se le asigna un nmero
El nmero es un natural entre 0 y 63
Por ejemplo, un pixel marcado con el nmero
30 se ver as:
i magen en t onos de gr i s
i magen en t onos de gr i s

62 19 46 11 39
4 13 55 55 44
30 56 16 33 28
18 1 17 60 34
42 9 62 50 44
Descomponer una matriz es escribirla
como el producto de otras.
Algunas descomposiciones famosas son
la LU, LDU, la QR, la diagonalizacin
A = LU A=LDU A = QR
A=P D P
-1
Un poc o de l gebr a l i neal
LU y LDU se aplican intensivamente
en la resolucin de sistemas lineales.
l u, l du, qr , pdp
-1
QR toda vez sea necesario mantener
controlado el nmero de condicin.
PDP
-1
y su descomposicin espectral
para desacoplar problemas (p.ej. EDOs)
A = PDP
-1
puede reescribirse PDP
T
sii A es simtrica
l i mi t ac i n de pdp
T
y en tal caso los autovalores de D
son reales (positivos, nulos o
negativos)
puede hacerse algo similar con una
matriz A rectangular cualquiera?
La respuesta es s, la descomposicin
svd, vlida para TODA matriz A !!!
l a desc omposi c i n svd
A = U S V
T
Siendo U, V ortogonales y S con
elementos no negativos en la diagonal,
nulos fuera de ella.
l a mat r i z S de n x r

1
0 0 ... 0
0
2
0 ... 0
0 0
3
...

1

2
...
r
>0
r es el rango de A
l a desc omposi c i n U S V
T

1

2
...
r
>0
{ }

=
T
r
T
2
T
1
r
v
v
v
u u u A
M
O
K
r

0 0 0
0 0 0
0 0 0
0 0 0
| | |
2
1
2 1
l a suma U S V
T
A=
1
+
+ ... +
r
u
1
u
r
v
r
T
v
1
T
A
1
A
r
A = U S V
T
A =
1
u
1
v
1
T
+
2
u
2
v
2
T
+ ... +
r
u
r
v
r
T
... y como A
i
=
i
u
i
v
i
T
es ...
A = A
1
+ A
2
+... A
r
un ej empl o

0 1
1 0
0
2
0
0
0
3
1 0 0
0 0 1
0 1 0
0
3
0
0
0
2
A U S V
T
=

1

2
A =
1
u
1
v
1
T
+
2
u
2
v
2
T
[ ] [ ] 0 1
0
0
1
2 1 0
0
1
0
3
0
3
0
0
0
2

1
u
1
u
2
v
1
T
v
2
T
A
A = A
1
+ A
2

0 0
0 0
0 2
0 0
3 0
0 0
0
3
0
0
0
2
A
1
A
2
A
rg (A) = 2 ; rg(A
1
) = rg(A
2
) = 1
l a apr ox i mac i n A
k
*
y el error al aproximar A por A
k
* est dado por
=A - A
k
* , y es el mnimo de todos los que
se obtienen aproximando A por una matriz de
rango k
A
k
* = A
1
+ A
2
+... A
k
l a mej or apr ox i mac i n
luego, en el sentido de los mnimos cuadrados
A
k
* es la mejor aproximacin para un dado k
A
k
*
A
S
k
= gen { A
1
, A
2
, ..., A
k
}
= A-A
k
*

el ej empl o
A
1
*=
A =

0 0
3 0
0 2

0 0
3 0
0 0
el er r or
A
1
*
A
= 2
en i mgenes
A
5
*=
A =
La matriz de error E = A A
k
*
tiene
una imagen que es :
er r or -i magen
Completamente negra si A =A
k
*
, pues
en tal caso es E = 0
El error-imagen es tanto ms negro
cuanto mejor la aproximacin
el er r or -i magen
A
5
*
A
=
3 7 4 1 4 3 8 9 17 6 4
6 5 4 3 3 3 3 2 3 5 6
4 4 4 4 5 5 6 6 7 9 9
5 4 4 4 5 6 6 10 10 10 11
7 6 5 4 4 4 4 9 9 9 8
6 6 5 4 4 4 4 9 8 8 7
4 4 4 4 4 5 5 9 9 8 8
3 3 3 3 4 4 5 8 8 8 7
5 4 3 2 2 2 2 5 6 6 6
33 21 34 32 35 27 19 19 18 22 25
25 15 26 24 29 25 21 21 20 23 24

48 47 47 47 47 48 48 48 48 48 47
48 47 47 47 48 48 48 48 48 48 48
49 48 48 48 48 48 49 49 48 48 47
49 48 48 48 48 48 49 49 48 48 47
49 48 48 48 48 48 49 48 48 48 47
49 48 48 48 48 48 48 48 48 47 47
49 48 48 48 48 48 48 48 48 47 47
49 48 48 48 48 48 48 48 47 47 47
49 48 48 48 48 48 48 48 47 47 46
49 48 48 48 48 48 48 48 47 47 46
48 48 48 48 48 48 47 47 47 47 47
l as mat r i c es
el f ondo osc ur o
0,1 0,1
0,1 0,2
0,3 0,5
0,6 1,1
0,8 1,5
1,1 1,9
2,2 3,9
4,2 7,6
5,3 9,6
14,3 25,8
71,1 128,6
%

i
el f ondo osc ur o
Los valores singulares
1
y
2
concentran
el 85 % de la
informacin
el f ondo osc ur o
Los valores sigulares
1
a
5
concentran
el 97 % de la
informacin
l a f al da bl anc a
si se considera slo el primer valor
singular
se recoger
el 99 %
de la
informacin
MT & LDi , k = 5
MT & LDi , k = 10
MT & LDi , k = 15
MT & LDi , k = 20
js &ep k = 5
js &ep k = 10
js &ep k = 15
js &ep k = 20
l os vengador es
John Steed
Emma Peel
error con k = 5
error con k = 5
error con k = 10
Para almacenar una imagen la matriz
A exige conocer n x m enteros.
el t amao or i gi nal
Una imagen de 480 x 640 pixels
requiere almacenar 921600 elementos
Esto es, aproximadamente, 0.95
Mbytes.
Para almacenar A
k
*
se necesita el
espacio:
el t amao c ompr i mi do
n x k para U, k x m V
T
, k para S
En total, (n + m+ 1 ) x k
l a c ompr esi n
la relacin de compresin
es r = (n+m+1) / nm
para Borges, n=480, m=640
tenemos con k = 50 que la
imagen comprimida slo
requiere un
18 %
de la informacin original
el c di go mat l ab
function compresor(p,k)
p=imread(p);p=double(p); image(p);
axis off;colormap(gray);
[u,s,v] = svd(p);
suma=u(:,1:k)*s(1:k,1:k)*v(:,1:k);
image(suma)
compresor (germn.jpg,1)
?
al gunas mej or as
No toda imagen requiere un
mismo k para ser satisfactoria
entonces se la divide en
bloques
k
1
k
2
cada bloque i con un k
i
es claro que, p.ej., k
1
< k
2
luego se aplica la sdv a cada bloque
al gunas mej or as
con la mejora,
11 %
de la informacin original
Adems de red-green-blue (rgb), se tiene hue-
saturation-value (hsv) y ntsc television system
r gb, hsv, nt sc
Cada pixel es un vector de R
3
y se pasa de un
sistema a otro mediante un cambio de base
S
1
= P S
2
, siendo P la matriz de pasaje.
Por ejemplo, para pasar de rgb a nstc se tiene:
r gb nt sc

b
g
r
q
i
y
3 . 0 5 . 0 2 . 0
3 . 0 3 . 0 6 . 0
1 . 0 6 . 0 3 . 0
Rgb es semejante a un sistema cartesiano, en
tanto que nstc procede como coordenadas
cilndricas
La compresin color es idntica a la que ya hemos
visto, basta redimensionar la matriz C de n x m x
3 (el 3 es el vector aludido) a una matriz A
c ol or gr i ses
A es slo C aplanada, esto es, A es una matriz de
n x (3m)
C
n
m
3
A
n
3 m
A partir de A se obtiene A
k
*
como antes y
retornando a 3D resulta C
k
*,
lo que completa la
compresin
gr i ses c ol or
C
k
*
A
k
*
Joint Experts Photographic Group es otra
tcnica de compresin que procesa la seal de
salida de la transformada discreta coseno
(Fourier).
j peg
svd y t ex t os
Con m documentos d
1
, d
2
, d
m
y n trminos t
1
, t
2
,
, t
n
se forma la matriz de datos D de n x m tal
que D(i,j) es el nmero de veces que el trmino i
est presente en el documento j.
Luego se normaliza la matriz D (le llamaremos
tambin D) dividiendo en el nmero de ocurrencias
del trmino en todos los documentos
un ej empl o D(i ,j )
Documento 1: Algebra lineal y compresin de textos
Documento 2: Algebra y compresin de informacin
Documento 3: Algebra lineal e imgenes
Trmino 1: textos Trmino 2: lineal

=
1 0 1
0 0 1
D

=
5 . 0 0 5 . 0
0 0 1
D
un ej empl o
Ante una consulta en la base de documentos tal
como textos?, que el sistema traduce en el espacio
de trminos como p = (1 0)
T
, la pertinencia est
dada (como es evidente) por :
R = D
T
p, esto es:

=
0
0
1
0
1
5 . 0 0 5 . 0
0 0 1
R
d
1
d
2
d
3
un ej empl o
Haciendo una descomposicin svd D = U S V
T
y como
D
T
= V S U
T
se tiene que R = V (S U
T
p)
S U
T
p es la proyeccin de la pregunta sobre el
subespacio de los vectores singulares
R entonces resulta el mejor ordenamiento, habida
cuenta de la informacin disponible
bi bl i ogr af a
Arnold, Ben, An investigation into using singular
value decomposition as a method of image
compression. University of Canterbury. 2002
Lax, Peter, Linear algebra . Springer Verlag. 2001
Agradecemos su atencin