简介基于MATLAB主成分分析PCA的图像压缩与重建完整参考资源面向计算机、电子信息工程、数学等专业学生适用于课程设计、期末大作业、毕业设计以及数据降维与图像处理方向的自学实践。该方案利用PCA去除图像像素间的相关性将高维图像信息浓缩到少数几个主成分特征图像中在保留主要视觉信息的同时实现数据压缩需要时又可基于不同数量的主成分重建出相应细节层次的图像兼顾压缩率与重建质量。压缩包共含8个文件以5个.m源码文件为核心覆盖主程序、PCA核心算法与多种示例调用配套2个txt说明文档用于讲解原理与使用要点另有1张png图片作为测试样例总大小仅126KB运行方便。目前已有204人学习下载源码与文档均清晰易读读者可自行修改主成分个数并调试运行观察不同参数下的压缩重建效果是一款具实操价值的图像降维学习资料。1. 基于Matlab主成分分析的图像压缩和重建适合谁、解决什么Lena 图、特征脸、PCA 降维这三个词经常一起出现但真正用主成分分析做图像压缩时降维背后的东西要复杂得多。PCA 图像压缩的起点不是灰度直方图而是把图像切成小块、把每个块拉成一个样本向量再在样本上算协方差矩阵、取特征值最大的几个方向当基。基是从图像自己学出来的不像 JPEG 用写死的 DCT 变换因此对纹理规律明显、内容重复度高的图像压缩质量反而好对自然照片会明显弱于 JPEG。做这个题目的人大多来自三类场景数字图像处理课设、毕业设计以及头歌这类在线练习平台上的同款任务。阅读下面的内容只需要 Matlab 基础语法和矩阵操作的底子代码可以直接抄着跑参数和坑会一步步讲清。2. 主成分分析原理块样本、协方差矩阵与特征分解2.1 为什么把图像切成块而不是整张图做主成分分析整张 512×512 的图拉直是一个 262144 维向量只有这一个样本协方差矩阵根本估计不出来。所以 PCA 图像压缩的标准做法是分块把图像切成 blockSize×blockSize 的小块每块拉成 blockDim blockSize² 维的行向量整张图得到 N 个样本组成矩阵 XN×blockDim。协方差矩阵这时才有统计意义它刻画的是不同图像块之间像素值的共同变化模式。块大小同时决定样本数和基的表达能力。块太大比如 32×32样本数缩到几百协方差估计波动大重建会出现块状感块太小比如 2×2主成分维度太低压缩比天花板跟着变低。8×8 是最常见的折中和 JPEG 的分块尺寸一致。分块去相关的思路在 JPEG 里体现为 DCT在 PCA 里体现为自适应的特征向量基这是两者最大的分水岭。2.2 协方差矩阵、特征值与累计方差贡献率对去均值后的 Xc X − μ其中 μ 是 X 每列的均值协方差矩阵 C Xc·Xc / (N−1) 是 blockDim 阶实对称矩阵。特征分解 C·v λ·v 得到的特征值 λ 表示该特征向量方向上的样本方差方差越大这个方向越能解释图像块之间的差异。把所有特征值降序排列前 k 个对应的特征向量就构成保留的主成分基 Vk。这里有一个和普通机器学习流程不同的点图像像素都在同一个量纲里0~255 或 0~1所以不需要像其它 PCA 应用那样先做 zscore 标准化。强行把每列标准化成单位方差等于把暗部噪声和亮部纹理放到同等权重重建出的图像信噪比反而下降。累计方差贡献率是定 k 的关键指标累计贡献率 (λ₁λ₂…λk) / (λ₁…λblockDim)在 Matlab 里可以这样验证Xc X - mean(X, 1); C (Xc * Xc) / (size(X, 1) - 1); [V, D] eig(C); [lambda, idx] sort(diag(D), descend); V V(:, idx); cumContribution cumsum(lambda) / sum(lambda); kRef find(cumContribution 0.95, 1, first);代码说明eig 返回的对角阵 D 不保证特征值降序必须 sort 后把 V 的列顺序同步重排否则取前 k 列取到的不是主成分方向。cumsum 得到累计贡献率曲线一般前一小部分特征值就能吃掉 95% 以上的能量kRef 就是该图的参考主成分数量。2.3 投影与重建的数学关系以及和 SVD 的等价性主成分向量两两正交满足 Vk·Vk I所以压缩和重建是一对可逆的线性变换Y Xc·VkN×k压缩后的得分 X̂ Y·Vk μ恢复块矩阵μ 是长度为 blockDim 的均值向量重建误差完全来自被丢弃的 blockDim−k 个方向上的成分这正是 PCA 有损压缩的本质保留方差大的方向丢弃方差小的方向。μ 必须随压缩数据一起保存它不是一个标量而是每个像素位置在所有块上的均值。如果对 Xc 做奇异值分解 Xc U·S·W右奇异向量 W 就是协方差矩阵 C 的特征向量奇异值的平方正比于特征值。Matlab 的 pca 函数内部走的就是这个 SVD 路径数值上比先算 C 再 eig更可靠特别是 blockDim 较大或者图像块数量接近 blockDim 时。如果你后面接触 Matlab 的深度学习工具箱PCA 也可以理解成一个没有非线性激活的单层自编码器最优权重就是 Vk线性重建的思路和多层重建网络一脉相承。3. Matlab实现主成分分析图像压缩的完整流程与源码3.1 图像读取、灰度化、归一化与边界处理动手写 PCA 之前先处理三个前置问题。第一imread 读进来是 uint8uint8 相减小于 0 会截断成 0所有去均值操作必须在 double 下做用 im2double 归一到 [0,1] 最省心。第二彩色图有 R/G/B 三个通道分别做 PCA 的话存储翻三倍课程实验普遍先用 rgb2gray 转灰度。第三行列不一定是 blockSize 的整数倍直接 reshape 会错位要先裁剪到能整除。img imread(lena.bmp); if size(img, 3) 3 img rgb2gray(img); end img im2double(img); % 归一化到 [0,1] blockSize 8; [r, c] size(img); rows r - mod(r, blockSize); % 裁剪边界 cols c - mod(c, blockSize); img img(1:rows, 1:cols);参数说明im2double 把像素映射到 [0,1]后面 MSE/PSNR 公式里最大亮度取 1如果保留 0~255 的量纲PSNR 公式里的最大值要换成 255²两种写法都能用但不能混用。3.2 构造块样本矩阵 X循环与 im2col 两种写法循环写法逐个块拉直直观、不依赖图像处理工具箱numBlocksR rows / blockSize; numBlocksC cols / blockSize; N numBlocksR * numBlocksC; X zeros(N, blockSize^2); idx 1; for i 1:numBlocksR for j 1:numBlocksC r0 (i-1)*blockSize 1; c0 (j-1)*blockSize 1; blk img(r0:r0blockSize-1, c0:c0blockSize-1); X(idx, :) blk(:); idx idx 1; end end一行替代写法X im2col(img, [blockSize blockSize], distinct);im2col 是图像处理工具箱的函数distinct 表示不重叠分块输出默认每块一列转置后变成每块一行。如果选 sliding 会得到大量重叠块样本数爆炸且信息冗余图像压缩里不用它。循环写法适合没有工具箱的机器im2col 写法适合后面要做参数扫描的场景。3.3 两种求主成分的方式eig 手写与 pca 函数mu mean(X, 1); Xc X - mu; % 方式 A协方差矩阵 eig C (Xc * Xc) / (N - 1); [V, D] eig(C); [~, idx] sort(diag(D), descend); V V(:, idx); % 方式 Bpca 函数Statistics Toolbox [coeff, score, ~, ~, explained] pca(X);两种方式得到的主成分矩阵方向一致区别在返回值组织方式。pca 的 coeff 每列是一个主成分方向按特征值降序排列score 是投影得分每行对应一个块explained 是各主成分解释的方差百分比sum(explained(1:k)) 就是前 k 个的累计贡献率乘 100。pca 默认 Centeredtrue内部已经去均值重建时用 X̂ score·coeff mu 补回均值mu 可以直接用 mean(X,1) 算也可以用 pca 的第六个返回值两者等价注意不要重复去均值。另外当样本数 N 小于 blockDim 时pca 最多返回 min(N−1, blockDim) 个主成分k 的取值要留这个余量。3.4 压缩、存储、重建与 PSNR 一条龙把上面的步骤合起来写成两个函数function [Y, basis, mu, bs, rows, cols] pcaImageCompress(img, bs, k) [r, c] size(img); rows r - mod(r, bs); cols c - mod(c, bs); img img(1:rows, 1:cols); X im2col(img, [bs bs], distinct); % 每行一个块 mu mean(X, 1); [basis, Y] pca(X, NumComponents, k); % basis: blockDim×k, Y: N×k end function rec pcaImageReconstruct(Y, basis, mu, bs, rows, cols) Xr Y * basis mu; rec col2im(Xr, [bs bs], [rows cols], distinct); end img im2double(rgb2gray(imread(lena.bmp))); [Y, basis, mu, bs, rows, cols] pcaImageCompress(img, 8, 16); rec pcaImageReconstruct(Y, basis, mu, bs, rows, cols); mse mean((img(1:rows,1:cols) - rec).^2, all); psnr 10 * log10(1 / mse); fprintf(PSNR %.2f dB\n, psnr); imshowpair(img(1:rows,1:cols), rec, montage);代码逻辑pcaImageCompress 里 im2col 拿到全部块样本pca 的 NumComponents 参数直接指定保留 k 个主成分输出的 score 就是压缩产物 Ybasis 是基矩阵和 mu 一起保存。pcaImageReconstruct 先用 Y·basis 还原块向量矩阵再加回均值最后 col2im 把块拼回图像。col2im 的第三个参数必须是裁剪后的 [rows cols]尺寸错了会直接报错。PSNR 这里因为做过了 im2double分母取 1。mean 的 all 选项需要 R2018b 之后的版本旧版写成 mean(mse(:)) 即可。提示score 是 double 类型N×k 个浮点数直接存盘往往比原图更大。课程实验统计压缩比时常用元素个数比也就是只数 Y、basis、mu 的元素总数但真正要落地成压缩文件还要对 score 做量化和熵编码这一步属于后处理很多说明文档把它略过了。压缩函数里几个参数的常用取值和含义参数/函数常用取值说明blockSize4 / 8 / 16分块边长8 是默认推荐kNumComponents1 ~ blockSize²保留主成分个数k 越大质量越高、压缩比越低Centeredtrue默认pca 是否去均值设为 false 时第一个主成分会偏向全局均值im2col 分块方式distinct不重叠分块压缩场景固定用这个score / coeff 类型double存储开销见上面的提示4. 主成分分析压缩比与重建质量的权衡块大小和 k 值怎么配4.1 压缩比公式与模型开销压缩数据由三块构成YN×k、basisblockDim×k、mublockDim×1。原始数据是 N×blockDim。理论压缩比CR N·blockDim / (N·k blockDim·k blockDim)图像块数 N 远大于 blockDim 时第二三项可以忽略CR ≈ blockDim / k也就是 blockSize² / k。8×8 块配 k8压缩比约 8k2 时约 32。但注意 basis 和 mu 是固定模型开销图越小占比越高。512×512、8×8 块时 N4096k8分子 262144分母 4096×8 64×8 64 33344实际 CR 约 7.9换 128×128 的小图同样的 kCR 会掉到 7 以下。小图省 k 比改块大小更划算。另外以上 CR 都是按元素个数算的。score 如果保持 double每个元素占 8 字节一档 8×8、k8 的压缩结果实际字节数反而比原图大要做成真正的压缩文件得把 score 量化到 8bit 或 12bit 再做熵编码量化步长和重建 PSNR 的关系就是另一组调参了。4.2 参数扫描块大小、k 与 PSNR 的关系以下是一组典型观察值256×256 灰度 Lena未量化CR 按元素个数算blockSizekCRPSNR(dB)观察428.024.1块太小基表达纹理能力弱482.031.8质量高但没有压缩意义888.029.6平衡点做课设从这里起步8164.033.2质量档CR 减半16832.022.4CR 很高但失真明显16328.030.5样本少重建有块状感换一张测试图绝对值会变但趋势是确定的k 翻倍 CR 近似减半PSNR 大约上升 2~4dB块从 8 增到 16CR 抬升约 4 倍PSNR 会掉 5dB 以上。主观上看k 偏小时最先出现的是水平和竖直的方块边缘因为块间均值差异没有被完全建模PSNR 还维持在 25dB 以上但视觉已不可接受的情况在 PCA 压缩里很常见。另外 16×16 块只有 256 个样本pca 最多输出 min(N−1, blockDim) 个主成分k 取 256 会直接报错扫描脚本里要把块数限制写进约束。4.3 自动定 k用累计贡献率代替手工试错X im2col(im2double(rgb2gray(imread(lena.bmp))), [8 8], distinct); [coeff, score, ~, ~, explained] pca(X); for target [0.85, 0.90, 0.95, 0.99] k find(cumsum(explained) target*100, 1, first); rec score(:,1:k) * coeff(:,1:k) mean(X, 1); rec col2im(rec, [8 8], [256 256], distinct); fprintf(target%.2f, k%d, CR%.1f\n, target, k, 64/k); end说明explained 本身是百分比数值所以和 target*100 比较。四个阈值对应四档参数用途区分明确存档选 0.95做中间结果选 0.99追求高压缩比可以试 0.85 以下。如果 find 返回空说明该阈值超过这批数据能表达的范围跳过或降低阈值。想批量跑多张测试图时把这段包成函数再放进 for 循环每张图重算 rows/cols 并把结果写进日志。现在用 codex 这类 AI 编程助手辅助操作 Matlab 批量任务很常见脚本结构写得越规整助手越不容易改错矩阵维度但视觉质量它判断不了每档参数都要保留 imshowpair 的人工抽检。4.4 说明文档里该记录什么既然发布包叫源码图片说明文档文档质量很大程度决定这个包能不能被别人复现。我建议至少记录五块内容运行环境写明 Matlab 版本、是否安装 Statistics Toolbox 和 Image Processing Toolbox新版本 Matlab 的 pca 行为基本一致重点是工具箱别缺函数清单与调用关系让读者知道从哪个入口函数跑参数定义表blockSize、k、Centered 各自的含义和默认值测试结果表至少三张图记录图名、分辨率、块大小、k、CR、PSNR 和主观评价直接采用 4.2 那种格式最后是复现步骤从读图到出指标的三五条命令即可。一张结果表胜过三段描述。5. 主成分分析重建质量验证指标、Bug 与自动调参技巧5.1 PSNR 之外必须补一个 SSIMPSNR 只看逐像素均方误差块效应造成的结构失真它反映不出来。k 调小、CR 超过 16 时PSNR 可能还停留在 25dB 以上但方块边界已经肉眼可见这时要看 SSIM。Matlab 里用ssim(rec, ref)一行拿到结果范围 [-1,1]0.95 以上人眼几乎不可辨。判断重建质量的完整做法是 PSNR 和 SSIM 一起报图像超分辨率重建任务里评估模型也是同一套指标这套验证脚本可以留着复用。ssimVal ssim(rec, img(1:rows,1:cols)); % 需要 Image Processing Toolbox5.2 最容易犯的三个 Buguint8 相减截断排第一没转 double 就做 X − mean(X,1)负值全变成 0重建图整体偏灰。第二种是 eig 之后不排序直接取前 k 列特征值不是降序时取到的不是主要方向重建图会出现斜向条纹排查时先看 V 的第一列是否对应最大方差方向。第三种是 col2im 尺寸不匹配报错提示 length(B) 必须等于 prod(blockSize)*prod(gridSize)回去核对 rows/cols 是不是裁剪后的尺寸。还有一个隐蔽点pca 默认去均值重建时又手工减一次 μ等于双重去均值整张图亮度偏移一个常数SSIM 往往比 PSNR 更能暴露这类问题。5.3 一个实用技巧自动生成参数决策表把 4.3 的扫描改写成通用函数输入图片路径、备选块大小和贡献率阈值输出结构体数组每条记录包含块大小、k、CR、PSNR、SSIM方便直接写进说明文档或导出 CSVfunction stats pcaSweep(imgPath, blockSizes, targets) img im2double(rgb2gray(imread(imgPath))); stats struct(); for bs blockSizes [r, c] size(img); rows r - mod(r, bs); cols c - mod(c, bs); X im2col(img(1:rows,1:cols), [bs bs], distinct); [coeff, score, ~, ~, explained] pca(X); for t targets k find(cumsum(explained) t*100, 1, first); rec col2im(score(:,1:k)*coeff(:,1:k) mean(X,1), ... [bs bs], [rows cols], distinct); stats(end1).blockSize bs; %#okSAGROW stats(end).target t; stats(end).k k; stats(end).cr rows*cols / (size(X,1)*k bs^2*k bs^2); stats(end).psnr 10*log10(1/mean((img(1:rows,1:cols)-rec).^2, all)); stats(end).ssim ssim(rec, img(1:rows,1:cols)); end end T struct2table(stats); writetable(T, pca_sweep.csv); endstats(end1) 是 Matlab 扩展结构体数组的标准写法循环结束后用 struct2table 转表、writetable 存 CSV。跑完一组图对比各行的 SSIM找到质量明显下滑的拐点对应的 k 值后续调参就以拐点为中心左右各取一个值做细扫比全区间扫描省一半时间。块数少于等于 blockSize² 时 pca 会降秩告警这组结果直接丢弃不用犹豫。本文还有配套的精品资源点击获取
基于Matlab主成分分析的图像压缩与重建实践指南
简介基于MATLAB主成分分析PCA的图像压缩与重建完整参考资源面向计算机、电子信息工程、数学等专业学生适用于课程设计、期末大作业、毕业设计以及数据降维与图像处理方向的自学实践。该方案利用PCA去除图像像素间的相关性将高维图像信息浓缩到少数几个主成分特征图像中在保留主要视觉信息的同时实现数据压缩需要时又可基于不同数量的主成分重建出相应细节层次的图像兼顾压缩率与重建质量。压缩包共含8个文件以5个.m源码文件为核心覆盖主程序、PCA核心算法与多种示例调用配套2个txt说明文档用于讲解原理与使用要点另有1张png图片作为测试样例总大小仅126KB运行方便。目前已有204人学习下载源码与文档均清晰易读读者可自行修改主成分个数并调试运行观察不同参数下的压缩重建效果是一款具实操价值的图像降维学习资料。1. 基于Matlab主成分分析的图像压缩和重建适合谁、解决什么Lena 图、特征脸、PCA 降维这三个词经常一起出现但真正用主成分分析做图像压缩时降维背后的东西要复杂得多。PCA 图像压缩的起点不是灰度直方图而是把图像切成小块、把每个块拉成一个样本向量再在样本上算协方差矩阵、取特征值最大的几个方向当基。基是从图像自己学出来的不像 JPEG 用写死的 DCT 变换因此对纹理规律明显、内容重复度高的图像压缩质量反而好对自然照片会明显弱于 JPEG。做这个题目的人大多来自三类场景数字图像处理课设、毕业设计以及头歌这类在线练习平台上的同款任务。阅读下面的内容只需要 Matlab 基础语法和矩阵操作的底子代码可以直接抄着跑参数和坑会一步步讲清。2. 主成分分析原理块样本、协方差矩阵与特征分解2.1 为什么把图像切成块而不是整张图做主成分分析整张 512×512 的图拉直是一个 262144 维向量只有这一个样本协方差矩阵根本估计不出来。所以 PCA 图像压缩的标准做法是分块把图像切成 blockSize×blockSize 的小块每块拉成 blockDim blockSize² 维的行向量整张图得到 N 个样本组成矩阵 XN×blockDim。协方差矩阵这时才有统计意义它刻画的是不同图像块之间像素值的共同变化模式。块大小同时决定样本数和基的表达能力。块太大比如 32×32样本数缩到几百协方差估计波动大重建会出现块状感块太小比如 2×2主成分维度太低压缩比天花板跟着变低。8×8 是最常见的折中和 JPEG 的分块尺寸一致。分块去相关的思路在 JPEG 里体现为 DCT在 PCA 里体现为自适应的特征向量基这是两者最大的分水岭。2.2 协方差矩阵、特征值与累计方差贡献率对去均值后的 Xc X − μ其中 μ 是 X 每列的均值协方差矩阵 C Xc·Xc / (N−1) 是 blockDim 阶实对称矩阵。特征分解 C·v λ·v 得到的特征值 λ 表示该特征向量方向上的样本方差方差越大这个方向越能解释图像块之间的差异。把所有特征值降序排列前 k 个对应的特征向量就构成保留的主成分基 Vk。这里有一个和普通机器学习流程不同的点图像像素都在同一个量纲里0~255 或 0~1所以不需要像其它 PCA 应用那样先做 zscore 标准化。强行把每列标准化成单位方差等于把暗部噪声和亮部纹理放到同等权重重建出的图像信噪比反而下降。累计方差贡献率是定 k 的关键指标累计贡献率 (λ₁λ₂…λk) / (λ₁…λblockDim)在 Matlab 里可以这样验证Xc X - mean(X, 1); C (Xc * Xc) / (size(X, 1) - 1); [V, D] eig(C); [lambda, idx] sort(diag(D), descend); V V(:, idx); cumContribution cumsum(lambda) / sum(lambda); kRef find(cumContribution 0.95, 1, first);代码说明eig 返回的对角阵 D 不保证特征值降序必须 sort 后把 V 的列顺序同步重排否则取前 k 列取到的不是主成分方向。cumsum 得到累计贡献率曲线一般前一小部分特征值就能吃掉 95% 以上的能量kRef 就是该图的参考主成分数量。2.3 投影与重建的数学关系以及和 SVD 的等价性主成分向量两两正交满足 Vk·Vk I所以压缩和重建是一对可逆的线性变换Y Xc·VkN×k压缩后的得分 X̂ Y·Vk μ恢复块矩阵μ 是长度为 blockDim 的均值向量重建误差完全来自被丢弃的 blockDim−k 个方向上的成分这正是 PCA 有损压缩的本质保留方差大的方向丢弃方差小的方向。μ 必须随压缩数据一起保存它不是一个标量而是每个像素位置在所有块上的均值。如果对 Xc 做奇异值分解 Xc U·S·W右奇异向量 W 就是协方差矩阵 C 的特征向量奇异值的平方正比于特征值。Matlab 的 pca 函数内部走的就是这个 SVD 路径数值上比先算 C 再 eig更可靠特别是 blockDim 较大或者图像块数量接近 blockDim 时。如果你后面接触 Matlab 的深度学习工具箱PCA 也可以理解成一个没有非线性激活的单层自编码器最优权重就是 Vk线性重建的思路和多层重建网络一脉相承。3. Matlab实现主成分分析图像压缩的完整流程与源码3.1 图像读取、灰度化、归一化与边界处理动手写 PCA 之前先处理三个前置问题。第一imread 读进来是 uint8uint8 相减小于 0 会截断成 0所有去均值操作必须在 double 下做用 im2double 归一到 [0,1] 最省心。第二彩色图有 R/G/B 三个通道分别做 PCA 的话存储翻三倍课程实验普遍先用 rgb2gray 转灰度。第三行列不一定是 blockSize 的整数倍直接 reshape 会错位要先裁剪到能整除。img imread(lena.bmp); if size(img, 3) 3 img rgb2gray(img); end img im2double(img); % 归一化到 [0,1] blockSize 8; [r, c] size(img); rows r - mod(r, blockSize); % 裁剪边界 cols c - mod(c, blockSize); img img(1:rows, 1:cols);参数说明im2double 把像素映射到 [0,1]后面 MSE/PSNR 公式里最大亮度取 1如果保留 0~255 的量纲PSNR 公式里的最大值要换成 255²两种写法都能用但不能混用。3.2 构造块样本矩阵 X循环与 im2col 两种写法循环写法逐个块拉直直观、不依赖图像处理工具箱numBlocksR rows / blockSize; numBlocksC cols / blockSize; N numBlocksR * numBlocksC; X zeros(N, blockSize^2); idx 1; for i 1:numBlocksR for j 1:numBlocksC r0 (i-1)*blockSize 1; c0 (j-1)*blockSize 1; blk img(r0:r0blockSize-1, c0:c0blockSize-1); X(idx, :) blk(:); idx idx 1; end end一行替代写法X im2col(img, [blockSize blockSize], distinct);im2col 是图像处理工具箱的函数distinct 表示不重叠分块输出默认每块一列转置后变成每块一行。如果选 sliding 会得到大量重叠块样本数爆炸且信息冗余图像压缩里不用它。循环写法适合没有工具箱的机器im2col 写法适合后面要做参数扫描的场景。3.3 两种求主成分的方式eig 手写与 pca 函数mu mean(X, 1); Xc X - mu; % 方式 A协方差矩阵 eig C (Xc * Xc) / (N - 1); [V, D] eig(C); [~, idx] sort(diag(D), descend); V V(:, idx); % 方式 Bpca 函数Statistics Toolbox [coeff, score, ~, ~, explained] pca(X);两种方式得到的主成分矩阵方向一致区别在返回值组织方式。pca 的 coeff 每列是一个主成分方向按特征值降序排列score 是投影得分每行对应一个块explained 是各主成分解释的方差百分比sum(explained(1:k)) 就是前 k 个的累计贡献率乘 100。pca 默认 Centeredtrue内部已经去均值重建时用 X̂ score·coeff mu 补回均值mu 可以直接用 mean(X,1) 算也可以用 pca 的第六个返回值两者等价注意不要重复去均值。另外当样本数 N 小于 blockDim 时pca 最多返回 min(N−1, blockDim) 个主成分k 的取值要留这个余量。3.4 压缩、存储、重建与 PSNR 一条龙把上面的步骤合起来写成两个函数function [Y, basis, mu, bs, rows, cols] pcaImageCompress(img, bs, k) [r, c] size(img); rows r - mod(r, bs); cols c - mod(c, bs); img img(1:rows, 1:cols); X im2col(img, [bs bs], distinct); % 每行一个块 mu mean(X, 1); [basis, Y] pca(X, NumComponents, k); % basis: blockDim×k, Y: N×k end function rec pcaImageReconstruct(Y, basis, mu, bs, rows, cols) Xr Y * basis mu; rec col2im(Xr, [bs bs], [rows cols], distinct); end img im2double(rgb2gray(imread(lena.bmp))); [Y, basis, mu, bs, rows, cols] pcaImageCompress(img, 8, 16); rec pcaImageReconstruct(Y, basis, mu, bs, rows, cols); mse mean((img(1:rows,1:cols) - rec).^2, all); psnr 10 * log10(1 / mse); fprintf(PSNR %.2f dB\n, psnr); imshowpair(img(1:rows,1:cols), rec, montage);代码逻辑pcaImageCompress 里 im2col 拿到全部块样本pca 的 NumComponents 参数直接指定保留 k 个主成分输出的 score 就是压缩产物 Ybasis 是基矩阵和 mu 一起保存。pcaImageReconstruct 先用 Y·basis 还原块向量矩阵再加回均值最后 col2im 把块拼回图像。col2im 的第三个参数必须是裁剪后的 [rows cols]尺寸错了会直接报错。PSNR 这里因为做过了 im2double分母取 1。mean 的 all 选项需要 R2018b 之后的版本旧版写成 mean(mse(:)) 即可。提示score 是 double 类型N×k 个浮点数直接存盘往往比原图更大。课程实验统计压缩比时常用元素个数比也就是只数 Y、basis、mu 的元素总数但真正要落地成压缩文件还要对 score 做量化和熵编码这一步属于后处理很多说明文档把它略过了。压缩函数里几个参数的常用取值和含义参数/函数常用取值说明blockSize4 / 8 / 16分块边长8 是默认推荐kNumComponents1 ~ blockSize²保留主成分个数k 越大质量越高、压缩比越低Centeredtrue默认pca 是否去均值设为 false 时第一个主成分会偏向全局均值im2col 分块方式distinct不重叠分块压缩场景固定用这个score / coeff 类型double存储开销见上面的提示4. 主成分分析压缩比与重建质量的权衡块大小和 k 值怎么配4.1 压缩比公式与模型开销压缩数据由三块构成YN×k、basisblockDim×k、mublockDim×1。原始数据是 N×blockDim。理论压缩比CR N·blockDim / (N·k blockDim·k blockDim)图像块数 N 远大于 blockDim 时第二三项可以忽略CR ≈ blockDim / k也就是 blockSize² / k。8×8 块配 k8压缩比约 8k2 时约 32。但注意 basis 和 mu 是固定模型开销图越小占比越高。512×512、8×8 块时 N4096k8分子 262144分母 4096×8 64×8 64 33344实际 CR 约 7.9换 128×128 的小图同样的 kCR 会掉到 7 以下。小图省 k 比改块大小更划算。另外以上 CR 都是按元素个数算的。score 如果保持 double每个元素占 8 字节一档 8×8、k8 的压缩结果实际字节数反而比原图大要做成真正的压缩文件得把 score 量化到 8bit 或 12bit 再做熵编码量化步长和重建 PSNR 的关系就是另一组调参了。4.2 参数扫描块大小、k 与 PSNR 的关系以下是一组典型观察值256×256 灰度 Lena未量化CR 按元素个数算blockSizekCRPSNR(dB)观察428.024.1块太小基表达纹理能力弱482.031.8质量高但没有压缩意义888.029.6平衡点做课设从这里起步8164.033.2质量档CR 减半16832.022.4CR 很高但失真明显16328.030.5样本少重建有块状感换一张测试图绝对值会变但趋势是确定的k 翻倍 CR 近似减半PSNR 大约上升 2~4dB块从 8 增到 16CR 抬升约 4 倍PSNR 会掉 5dB 以上。主观上看k 偏小时最先出现的是水平和竖直的方块边缘因为块间均值差异没有被完全建模PSNR 还维持在 25dB 以上但视觉已不可接受的情况在 PCA 压缩里很常见。另外 16×16 块只有 256 个样本pca 最多输出 min(N−1, blockDim) 个主成分k 取 256 会直接报错扫描脚本里要把块数限制写进约束。4.3 自动定 k用累计贡献率代替手工试错X im2col(im2double(rgb2gray(imread(lena.bmp))), [8 8], distinct); [coeff, score, ~, ~, explained] pca(X); for target [0.85, 0.90, 0.95, 0.99] k find(cumsum(explained) target*100, 1, first); rec score(:,1:k) * coeff(:,1:k) mean(X, 1); rec col2im(rec, [8 8], [256 256], distinct); fprintf(target%.2f, k%d, CR%.1f\n, target, k, 64/k); end说明explained 本身是百分比数值所以和 target*100 比较。四个阈值对应四档参数用途区分明确存档选 0.95做中间结果选 0.99追求高压缩比可以试 0.85 以下。如果 find 返回空说明该阈值超过这批数据能表达的范围跳过或降低阈值。想批量跑多张测试图时把这段包成函数再放进 for 循环每张图重算 rows/cols 并把结果写进日志。现在用 codex 这类 AI 编程助手辅助操作 Matlab 批量任务很常见脚本结构写得越规整助手越不容易改错矩阵维度但视觉质量它判断不了每档参数都要保留 imshowpair 的人工抽检。4.4 说明文档里该记录什么既然发布包叫源码图片说明文档文档质量很大程度决定这个包能不能被别人复现。我建议至少记录五块内容运行环境写明 Matlab 版本、是否安装 Statistics Toolbox 和 Image Processing Toolbox新版本 Matlab 的 pca 行为基本一致重点是工具箱别缺函数清单与调用关系让读者知道从哪个入口函数跑参数定义表blockSize、k、Centered 各自的含义和默认值测试结果表至少三张图记录图名、分辨率、块大小、k、CR、PSNR 和主观评价直接采用 4.2 那种格式最后是复现步骤从读图到出指标的三五条命令即可。一张结果表胜过三段描述。5. 主成分分析重建质量验证指标、Bug 与自动调参技巧5.1 PSNR 之外必须补一个 SSIMPSNR 只看逐像素均方误差块效应造成的结构失真它反映不出来。k 调小、CR 超过 16 时PSNR 可能还停留在 25dB 以上但方块边界已经肉眼可见这时要看 SSIM。Matlab 里用ssim(rec, ref)一行拿到结果范围 [-1,1]0.95 以上人眼几乎不可辨。判断重建质量的完整做法是 PSNR 和 SSIM 一起报图像超分辨率重建任务里评估模型也是同一套指标这套验证脚本可以留着复用。ssimVal ssim(rec, img(1:rows,1:cols)); % 需要 Image Processing Toolbox5.2 最容易犯的三个 Buguint8 相减截断排第一没转 double 就做 X − mean(X,1)负值全变成 0重建图整体偏灰。第二种是 eig 之后不排序直接取前 k 列特征值不是降序时取到的不是主要方向重建图会出现斜向条纹排查时先看 V 的第一列是否对应最大方差方向。第三种是 col2im 尺寸不匹配报错提示 length(B) 必须等于 prod(blockSize)*prod(gridSize)回去核对 rows/cols 是不是裁剪后的尺寸。还有一个隐蔽点pca 默认去均值重建时又手工减一次 μ等于双重去均值整张图亮度偏移一个常数SSIM 往往比 PSNR 更能暴露这类问题。5.3 一个实用技巧自动生成参数决策表把 4.3 的扫描改写成通用函数输入图片路径、备选块大小和贡献率阈值输出结构体数组每条记录包含块大小、k、CR、PSNR、SSIM方便直接写进说明文档或导出 CSVfunction stats pcaSweep(imgPath, blockSizes, targets) img im2double(rgb2gray(imread(imgPath))); stats struct(); for bs blockSizes [r, c] size(img); rows r - mod(r, bs); cols c - mod(c, bs); X im2col(img(1:rows,1:cols), [bs bs], distinct); [coeff, score, ~, ~, explained] pca(X); for t targets k find(cumsum(explained) t*100, 1, first); rec col2im(score(:,1:k)*coeff(:,1:k) mean(X,1), ... [bs bs], [rows cols], distinct); stats(end1).blockSize bs; %#okSAGROW stats(end).target t; stats(end).k k; stats(end).cr rows*cols / (size(X,1)*k bs^2*k bs^2); stats(end).psnr 10*log10(1/mean((img(1:rows,1:cols)-rec).^2, all)); stats(end).ssim ssim(rec, img(1:rows,1:cols)); end end T struct2table(stats); writetable(T, pca_sweep.csv); endstats(end1) 是 Matlab 扩展结构体数组的标准写法循环结束后用 struct2table 转表、writetable 存 CSV。跑完一组图对比各行的 SSIM找到质量明显下滑的拐点对应的 k 值后续调参就以拐点为中心左右各取一个值做细扫比全区间扫描省一半时间。块数少于等于 blockSize² 时 pca 会降秩告警这组结果直接丢弃不用犹豫。本文还有配套的精品资源点击获取
