KL变换图像压缩与特征提取算法

资 源 简 介

本项目实现了基于MATLAB的Karhunen-Loève (KL) 变换算法，也称为霍特林变换或主成分分析（PCA），旨在展示其在信号处理和图像压缩领域作为最优正交变换的核心特性。该项目提供了一套完整的处理流程，具体功能包括：1. 图像数据预处理，支持将二维灰度图像转换为一维向量序列或基于分块（如8x8像素块）的样本集合，以构建统计分析所需的数据矩阵；2. 统计特征提取，自动计算输入数据集的均值向量和协方差矩阵，精确捕捉像素间的相关性；3. 变换核构建，通过对协方差矩阵进行特征值分解（Eigenvalue Decomposition），获取特征值及其对应的特征向量，并将特征向量按对应特征值大小降序排列以构建KL变换矩阵；4. 能量集中与降维压缩，利用KL变换解除数据相关性，将能量集中在少数几个变换系数上，允许用户指定保留的主分量数量进行截断，从而实现有损压缩；5. 逆变换与图像重构，基于保留的变换系数执行逆KL变换以恢复图像，直观展示不同压缩比下的图像质量；6. 性能评估可视化，计算并输出原始图像与重构图像之间的均方误差（MSE）和峰值信噪比（PSNR），并绘制特征值分布图以验证能量集中效果。

详 情 说 明

项目：KL变换算法及其图像压缩应用系统

项目介绍

本项目基于MATLAB环境实现了一套完整的Karhunen-Loève (KL) 变换算法（亦称霍特林变换或主成分分析 PCA），并将其应用于图像压缩领域。KL变换作为均方误差（MSE）意义下的最优正交变换，能够有效地去除数据间的相关性，将信号能量集中在少数几个变换系数上。

本系统通过对图像进行分块处理、统计特征提取、特征值分解以及系数截断，演示了如何利用KL变换实现有损图像压缩。同时，系统通过计算均方误差（MSE）和峰值信噪比（PSNR），并直观展示特征值分布与重构图像，验证了算法的能量集中特性和压缩性能。

功能特性

该系统在单一脚本中集成了完整的数据处理与分析流程：

1. 鲁棒的图像预处理：系统自动加载测试图像（优先读取系统内置cameraman.tif），若无法读取则自动生成合成纹理图像作为替代。支持自动灰度化处理，并根据设定的分块大小（默认为8x8像素）对图像边缘进行裁剪，确保矩阵运算维度的匹配。
2. 分块与向量化处理：实现了自定义的图像分块算法，将二维图像分割为互不重叠的子块，并将其展平为一维列向量，构建用于统计分析的数据集矩阵。
3. 统计特征提取与核心变换：

* 计算数据集的均值向量并进行中心化处理。 * 计算协方差矩阵，捕捉像素间的统计相关性。 * 执行特征值分解（Eigenvalue Decomposition），获取特征值与特征向量，构建KL变换基矩阵。

1. 多级压缩与重构：根据预设的能量保留比例（5%、15%、50%），对变换系数进行截断处理。通过逆变换利用保留的系数重构图像，直观展示不同压缩比下的视觉效果。
2. 量化性能评估：针对每种压缩比例，自动计算并输出均方误差（MSE）和峰值信噪比（PSNR），提供客观的压缩质量评价。
3. 多维可视化分析：

* 展示原始图像与不同压缩率下的重构图像对比。 * 绘制特征值分布曲线及累计能量占比曲线，直观呈现能量集中程度。 * 可视化前16个主要特征向量（基图像/Eigenblocks），展示构成图像的基本纹理特征。

系统要求

• 软件环境：MATLAB R2016a 或更高版本。
• 工具箱：推荐安装 Image Processing Toolbox（用于图像读取与转换），若未安装，脚本包含基础功能的兼容代码。

核心算法实现逻辑

本项目的核心逻辑实现于主控脚本中，具体步骤如下：

1. 数据准备与预处理

程序首先清空工作区，尝试读取图像。如果因路径问题读取失败，代码内置了生成正弦波纹理合成图像的逻辑以保证程序可运行。图像被转换为灰度双精度格式，并根据定义的块大小（$8 times 8$）对图像宽高进行向下取整裁剪，以避免分块时处理边缘残余。

2. 构建观测数据矩阵

不同于MATLAB内置的im2col的滑窗模式，本项目实现了自定义函数 myIm2Col。该函数采用Distinct（互不重叠）模式扫描图像，将每个$8 times 8$的子块拉伸为长度为64的列向量。对于一幅图像，构建出矩阵 $X$（尺寸为 $64 times M$，其中 $M$ 为块的总数）。

3. KL变换核构建 (训练阶段)

这是PCA/KL变换的核心数学过程：

• 去均值：计算所有样本向量的均值 meanVec，并通过 $X_{centered} = X - mu$ 实现数据中心化。
• 协方差分析：计算中心化数据的协方差矩阵。代码中使用 cov(X_centered')，注意此处对矩阵进行了转置，因为MATLAB的cov默认对列变量求协方差，而我们需要的是像素位置间的协方差（即 $64 times 64$ 矩阵）。
• 特征分解：对协方差矩阵进行特征值分解 [V, D] = eig(CovMatrix)。
• 排序与基构建：将特征值按降序排列，并同步调整特征向量的顺序。排序后的特征向量矩阵 $Phi$ 即为KL变换矩阵。

4. 变换、压缩与逆变换

• 正向变换：利用公式 $Y = Phi^T times X_{centered}$ 将图像数据从像素空间投影到特征空间，得到变换系数矩阵 $Y$。此时，大部分能量集中在 $Y$ 的前几行系数中。
• 系数截断（压缩）：代码设定了三种保留比例（0.05, 0.15, 0.50）。对于每个比例，程序计算需要保留的系数个数 $K$，将矩阵 $Y$ 中索引大于 $K$ 的行全部置零，模拟数据丢失/压缩过程。
• 逆变换（重构）：利用公式 $X_{rec} = Phi times Y_{compressed} + mu$ 恢复数据。
• 图像重组：通过自定义函数 myCol2Im 将恢复后的列向量按照原始扫描顺序重新拼装成二维图像矩阵。

5. 性能评估

程序计算均方误差 (MSE) 和 峰值信噪比 (PSNR)。

• MSE：计算原始图像与重构图像像素差值的平方均值。
• PSNR：基于MSE计算分贝值，虽然人眼对误差的敏感度非线性，但PSNR仍是衡量重建质量的标准指标。公式体现为 $10 log_{10}(255^2 / MSE)$。

关键辅助函数说明

为了保持代码的独立性和算法逻辑的清晰度，项目包含两个内部辅助函数：

myIm2Col(img, blkSize)

• 功能：图像分块向量化。
• 逻辑：双重循环遍历图像的行和列，步长为blkSize。提取每个子块，利用MATLAB的列优先规则 (:) 将其展平，并依序存入输出矩阵的每一列。这是构建统计样本集的关键步骤。

myCol2Im(X, blkSize, H, W)

• 功能：向量矩阵重组为图像。
• 逻辑：是myIm2Col的逆过程。遍历数据矩阵的每一列，将其reshape回blkSize x blkSize的块，并按原来的空间位置填充回零矩阵中，最终恢复出二维图像。

使用方法

1. 确保MATLAB当前工作路径包含本项目脚本。
2. （可选）在同目录下放置名为 cameraman.tif 的图片文件。若不放置，程序将使用自动生成的测试图。
3. 在MATLAB命令窗口直接运行主函数名称（如 main）。
4. 程序将输出压缩过程的MSE和PSNR数据表格，并弹出两个图形窗口：

* 窗口1：包含原始图像、特征值能量分布图、累计能量占比图以及三个不同压缩比率下的重构图像。 * 窗口2：可视化展示前16个特征基图像（Eigenblocks），展示了KL变换提取到的主要纹理模式（如直流分量、横向/纵向梯度等）。

结果分析示例

运行程序后，您将观察到：

• 能量集中：特征值分布图显示数值迅速衰减，前几个特征值占据了绝大部分能量。
• 压缩效果：

* 5%保留率：图像主要轮廓可见，但包含明显的模糊和块效应，PSNR较低。 * 15%保留率：图像质量显著提升，细节逐步恢复。 * 50%保留率：重构图像与原始图像几乎无异，PSNR值较高，体现了KL变换在去除冗余数据方面的高效性。