Álgebra de compresión

A= USV T

σ1 ≥ σ2 ≥ ...
A =Σ σi ui vi T

UADE / M. Martins – F. Acero / 2004

 imagen color
Una matriz de n x m x 3 números

• A cada pixel se le asigna un vector de R3

• El vector indica la composición RGB (red-
green-blue).

• Por ejemplo, un pixel marcado con el vector

(1, 0, 0) se verá así:
 imagen blanco y negro
Es una matriz de n x m números

• A cada pixel se le asigna un número

• El número sólo puede ser 0 o 1

• Por ejemplo, un pixel marcado con el número

1 se verá así:
imagen blanco y negro

⎛ 0 0 0 1 1⎞
⎜ ⎟
⎜ 0 1 1 0 1⎟
⎜ 1 0 1 1 0 ⎟
⎜ ⎟
⎜ 0 1 0 0 0⎟
⎜ 0 0 1 1 0 ⎟⎠
⎝
imagen en tonos de gris
Es una matriz de n x m números

• A cada pixel se le asigna un número

• El número es un natural entre 0 y 63

• Por ejemplo, un pixel marcado con el número

30 se verá así:
imagen en tonos de gris

⎛ 44 50 62 9 42 ⎞
⎜ ⎟
⎜ 34 60 17 1 18 ⎟
⎜ 28 33 16 56 30 ⎟
⎜ ⎟
⎜ 44 55 55 13 4 ⎟
⎜ 19 62 ⎟⎠
⎝ 39 11 46
Un poco de álgebra lineal
Descomponer una matriz es escribirla
como el producto de otras.

Algunas descomposiciones famosas son

la LU, LDU, la QR, la diagonalización

A = LU A=LDU A = QR

A=P D P-1
 lu, ldu, qr, pdp-1
LU y LDU se aplican intensivamente
en la resolución de sistemas lineales.

QR toda vez sea necesario mantener

controlado el número de condición.

PDP-1 y su descomposición espectral

para desacoplar problemas (p.ej. EDOs)
 limitación de pdp T

A = PDP-1 puede reescribirse PDPT

sii A es simétrica

… 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 descomposición svd
La respuesta es sí, la descomposición
svd, ¡¡¡ válida para TODA matriz A !!!

A= U S V T

Siendo U, V ortogonales y S con

elementos no negativos en la diagonal,
nulos fuera de ella.
 la matriz S de n x r
σ1 0 0 ... 0
0 σ2 0 ... 0 r es el rango de A

0 0 σ3 ...

σ1 ≥ σ2 ≥ ... ≥ σr >0
 la descomposición U S VT

⎡σ1 0 0 0 ⎤⎧ v1T ⎫
⎢ 0 σ 0 0 ⎥⎪ T ⎪
⎪ ⎪
= {
A u1 | u2 | K| ur }⎢ 2 ⎥ v
⎨ M
2
⎬
⎢ 0 0 O 0 ⎥⎪ ⎪
⎢ ⎥⎪ vT ⎪⎭
⎣ 0 0 0 σ r ⎦⎩ r

σ1 ≥ σ2 ≥ ... ≥ σr >0
 la suma U S VT

A1
A = σ1 u1 v1T + …
Ar

+ ... + σr ur vrT
 A=US V T

A= σ1 u1 v1T + σ2 u2 v2 T

+ ... + σr ur vrT
... y como Ai = σi ui viT es ...

A = A1 + A2 +... Ar
 un ejemplo
σ1 σ2
⎡ 2 0 ⎤ ⎡ 0 1 0⎤ ⎡3 0 ⎤
⎢0 − 3⎥ = ⎢− 1 0 0⎥ ⋅ ⎢0 2⎥ ⋅ ⎡0 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢1 0⎥
⎢⎣0 0 ⎥⎦ ⎢⎣ 0 0 1⎥⎦ ⎢⎣0 0⎥⎦ ⎣ ⎦

A = U S VT
 A = σ 1 u 1 v1 T + σ 2 u 2 v2 T

⎡2 0 ⎤ ⎡0⎤ ⎡1⎤
⎢0 − 3⎥ = 3 ⎢− 1⎥ [0 1]+ 2 ⎢0⎥ [1 0]
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣0 0 ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣0⎥⎦

A σ1 u1 v1T σ2 u2 v2T
 A = A1 + A2
⎡2 0 ⎤ ⎡0 0 ⎤ ⎡ 2 0 ⎤
⎢0 − 3⎥ = ⎢0 − 3⎥ + ⎢0 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣0 0 ⎥⎦ ⎢⎣0 0 ⎥⎦ ⎢⎣0 0⎥⎦

A A1 A2
rg (A) = 2 ; rg(A1) = rg(A2) = 1
 la aproximación Ak*

Ak* = A1 + A2 +... Ak

y el error al aproximar A por Ak* está dado por

ê =║A - Ak* ║, y es el mínimo de todos los que
se obtienen aproximando A por una matriz de
rango k
 la mejor aproximación
luego, en el sentido de los mínimos cuadrados
Ak* es la mejor aproximación para un dado k
A
Ê = ⎢⎢A-A k*⎢⎢

Ak*

Sk = gen { A1 , A2 , ..., Ak }
el ejemplo
⎛2 0 ⎞
⎜ ⎟
A= ⎜ 0 − 3⎟
⎜0 0 ⎟
⎝ ⎠

⎛0 0 ⎞
⎜ ⎟
A1*= ⎜ 0 − 3⎟
⎜0 0 ⎟
⎝ ⎠
 el error
A

Ê=2

A1*
en imágenes

A=

A5*=
 error-imagen
La matriz de error E = A – Ak* tiene
una imagen que es :

Completamente negra si A =Ak*, pues

en tal caso es E = 0

El error-imagen es tanto más negro

cuanto mejor la aproximación
el error-imagen
A

Ê=

A5*
las matrices
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

⎛ 47 47 47 47 47 48 48 48 48 48 48 ⎞
⎜ ⎟
⎜ 46 47 47 48 48 48 48 48 48 48 49 ⎟
⎜ 46 47 47 48 48 48 48 48 48 48 49 ⎟
⎜ ⎟
⎜ 47 47 47 48 48 48 48 48 48 48 49 ⎟
⎜ 47 47 48 48 48 48 48 48 48 48 49 ⎟⎟
⎜
⎜ 47 47 48 48 48 48 48 48 48 48 49 ⎟
⎜ ⎟
⎜ 47 48 48 48 49 48 48 48 48 48 49 ⎟
⎜ 47 48 48 49 49 48 48 48 48 48 49 ⎟
⎜ ⎟
⎜ 47 48 48 49 49 48 48 48 48 48 49 ⎟
⎜ 48 48 48 48 48 48 48 47 47 47 48 ⎟
⎜⎜ ⎟
⎝ 47 48 48 48 48 48 47 47 47 47 48 ⎟⎠
el fondo oscuro
σi %
128,6 71,1
25,8 14,3
9,6 5,3
7,6 4,2
3,9 2,2
1,9 1,1
1,5 0,8
1,1 0,6
0,5 0,3
0,2 0,1
0,1 0,1
 el fondo oscuro
Los valores singulares σ1 y σ2
concentran
el 85 % de la
información
 el fondo oscuro
Los valores sigulares σ1 a σ5
concentran
el 97 % de la
información
 la falda blanca
si se considera sólo el primer valor
singular
se recogerá
el 99 %
de la
información
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
 los vengadores
John Steed

Emma Peel
error con k = 5
error con k = 10
 el tamaño original

Para almacenar una imagen la matriz

A exige conocer n x m enteros.

Una imagen de 480 x 640 pixels

requiere almacenar 921600 elementos

Esto es, aproximadamente, 0.95

Mbytes.
 el tamaño comprimido

Para almacenar Ak* se necesita el

espacio:

n x k para U, k x m VT, k para S

En total, (n + m+ 1 ) x k
 la compresión
la relación de compresión
es r = (n+m+1) / nm

para Borges, n=480, m=640

tenemos con k = 50 que la
imagen comprimida sólo
requiere un
18 %
de la información original
 el código matlab

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 (‘germán.jpg’,1)
 algunas mejoras
k2
No toda imagen requiere un
mismo k para ser satisfactoria

entonces se la divide en
bloques

k1 cada bloque i con un ki

es claro que, p.ej., k1 < k2

luego se aplica la sdv a cada bloque

 algunas mejoras

con la mejora,
11 %
de la información original
 rgb, hsv, ntsc

Además de red-green-blue (rgb), se tiene hue-

saturation-value (hsv) y ntsc television system

Cada pixel es un vector de R3 y se pasa de un

sistema a otro mediante un cambio de base
S1 = P S2, siendo P la matriz de pasaje.
 rgb → ntsc

Por ejemplo, para pasar de rgb a nstc se tiene:

⎛ y ⎞ ⎛ 0.3 0.6 0.1 ⎞ ⎛ r ⎞

⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ i ⎟ = ⎜ 0.6 − 0.3 − 0.3 ⎟ ⎜ g ⎟
⎜ q ⎟ ⎜ 0.2 − 0.5 0.3 ⎟ ⎜ b ⎟
⎝ ⎠ ⎝ ⎠⎝ ⎠
Rgb es semejante a un sistema cartesiano, en
tanto que nstc procede como coordenadas
cilíndricas
 color → grises
La compresión color es idéntica 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

A es sólo C ‘aplanada’, esto es, A es una matriz de

n x (3m)
n
n

C m
A 3 m
3
 grises → color
A partir de A se obtiene Ak* como antes y
retornando a 3D resulta Ck*, lo que completa la
compresión

Ck *
Ak *
 jpeg

Joint Experts Photographic Group es otra

técnica de compresión que procesa la señal de
salida de la transformada discreta coseno
(Fourier).
 svd y textos
Con m documentos d1, d2, … dm y n términos t1, t2,
…, tn se forma la matriz de datos D de n x m tal
que D(i,j) es el número de veces que el término i
está presente en el documento j.

Luego se normaliza la matriz D (le llamaremos

también D) dividiendo en el número de ocurrencias
del término en todos los documentos
 un ejemplo D(i,j)
Documento 1: ‘Algebra lineal y compresión de textos’

Documento 2: ‘Algebra y compresión de información’

Documento 3: ‘Algebra lineal e imágenes’

Término 1: ‘textos’ Término 2: ‘lineal’

⎛1 0 0 ⎞ ⎛ 1 0 0 ⎞
D = ⎜⎜ ⎟⎟ D = ⎜⎜ ⎟⎟
⎝1 0 1 ⎠ ⎝ 0.5 0 0.5 ⎠
 un ejemplo
Ante una consulta en la base de documentos tal
como ¿textos?, que el sistema traduce en el espacio
de términos como p = (1 0)T, la pertinencia está
dada (como es evidente) por :

R = DT p, esto es:

⎛1⎞ d1
⎛ 1 0 0 ⎞⎛1⎞ ⎜ ⎟
R = ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ = ⎜ 0 ⎟ d2
⎝ 0.5 0 0.5 ⎠ ⎝ 0 ⎠ ⎜ 0 ⎟
⎝ ⎠ d3
 un ejemplo

Haciendo una descomposición svd D = U S VT y como

DT = V S UT se tiene que R = V (S UT p)

S UT p es la proyección de la pregunta sobre el

subespacio de los vectores singulares

R entonces resulta el mejor ordenamiento, habida

cuenta de la información disponible
 bibliografía

•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 atención