Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
=
=
r
i
T
i i i
v u s A
1
.
3. Calculando a SVD de uma matriz:
(
(
(
=
1 2
3 1
2 1
A
.
-0.408 0.707 -0.577 3.873 0
0.316 0.948
-0.817 0 0.577 0 2.236
-0.948 0.316
0.408 0.707 0.577
__
0
_
0
_ U S V
( (
(
( (
= = =
(
( (
( (
SVD reduzida da mesma matriz:
-0.408 0.707
3.873 0 0.316 0.948
-0.817 0 __ __
0 2.236 -0.948 0.316
0.408 0.707
U S V
(
( (
(
= = =
( (
(
(
Resolvendo o sistema Ax = b, em que
(
(
(
=
1
4
1
b
:
Se A = USV
T
, ento USV
T
x = b, ou ainda x = V(S
*
(U
T
b)).
(S* a inversa de S se usamos a SVD reduzida).
1) Calculamos c = U
T
b.
2) Resolvemos o sistema Sy = c.
3) Calculamos x = Vy
(
(
(
=
0
1.4142
4.899
c
(
=
0.63246
1.2649
y
(
=
1
1
x
(Repare que o sistema s tem soluo porque c
3
= 0)
4. Aplicao no processamento de imagens
Inicialmente temos uma imagem, que quando em preto e branco representada por uma matriz.
0 255 0
255 0 255
0 255 0
Img
(
(
=
(
(
A decomposio por valores Singulares feita desse modo:
[U,S,V]=svd(Img)
Para o caso da matriz Img acima temos:
0, 71 0 0, 71
0 1 0
0, 71 0 0, 71
U
(
(
=
(
(
,
510 0 0
0 250 0
0 0 0
S
(
(
=
(
(
e
0, 71 0 0, 71
0 1 0
0, 71 0 0, 71
V
(
(
=
(
(
Para quem no sabe uma decomposio matricial transformar uma matriz em um produto de
matrizes assim temos que:
Img=USV
T
Essas matrizes tm caractersticas especiais, porm neste caso somente precisamos entender um
pouco da matriz S, que possui os valores singulares. A matriz S uma matriz diagonal e sua diagonal
contm os valores singulares em ordem decrescente. De uma forma bem simplificada podemos dizer
que os valores singulares representam a importncia que determinada informao tem para a matriz
logo nossa compresso se refere a trocar valores singulares pequenos por zero. Na verdade o que
faremos eliminar as linhas e colunas de S a partir de determinado valor. Para quem se lembra da
multiplicao matricial (ensino mdio) podemos ver que, quando eliminamos linhas e colunas de S ,
podemos eliminar de U e V tambm, pois estaremos multiplicando por zero logo elas so
desnecessrias, desse modo teremos as matrizes Sk , Uk e Vk onde k o nmero de valores singulares
que voc deseja manter (quanto mais valores, melhor a qualidade).
Sk=S(1:k,1:k)
Uk=S(:,1:k)
Vk=S(:,1:k)
O produto destas matrizes ser parecido com a imagem original.
Im * *
T
k k k
g U S V
A imagem formada uma compresso da imagem original, porm como as matrizes tero o
mesmo tamanho, ambas ocuparo o mesmo espao HD, ento para que essa compresso tenha algum
resultado devemos armazenar a matriz Uk e uma matriz *
T
k k k
P S V = , pois elas ocuparo menos
espao que o produto das mesmas.
Como exemplo, trabalharemos com a imagem abaixo:
A tabela a seguir mostra o numero de valores singulares utilizados, a imagem resultante e a
porcentagem de compresso:
k=25 / tamanho 12.6% k=75 / tamanho 37.9% k=125 / tamanho 63.1%
k=175 / tamanho 88.3% k=200 / tamanho 100.9%
Podemos observar que a partir de 200 valores singulares, a tcnica no compensa, pois
armazenar as matrizes Pk e Uk gasta mais espao que armazenar imagem original. Outro ponto
interessante percebermos que a imagem com k=75 no to ruim e pode ser armazenada em 38% do
espao ocupado pela imagem original.
Referncias
[1] STEVEN J. LEON, lgebra Linear com Aplicaes, 4 edio, LTC editora, 1999.
[2] GOMES, F.A.M., Decomposio em valores singulares, 2009. Disponvel em:
<www.ime.unicamp.br/~chico/ms512/svd.doc > Acessado em: 06 de Abril de 2014.
[3] Mercado Cientfico, A decomposio em valores singulares, 2012. Disponvel em:
<http://mercadocientifico.blogspot.com.br/2012/01/decomposicao-por-valores-singulares.html>
Acessado em: 06 de Abril de 2014.