Python中用SVD分解图像波段数组后重构异常问题排查

你的代码里有几个关键问题导致图像显示异常，下面逐一说明并给出修正方案：

1. 不必要的图像保存与读取引入误差 #

你把拆分的RGB通道保存为JPG再读取，JPG是有损压缩格式，会破坏原始像素数据，直接从PIL通道转numpy数组即可，无需中间文件操作：

# 替换原来的sim保存再读取的代码
arsim = np.array(sim[0])
agsim = np.array(sim[1])
absim = np.array(sim[2])

2. 手动实现的矩阵列提取完全冗余 #

Numpy提供了简洁的索引方式提取矩阵列，ur[:, 0]直接就能拿到U矩阵的第一列，无需自己写extractCols和getcolumn函数。而且numpy.linalg.svd返回的U本身就是由左奇异向量作为列组成的矩阵，直接索引即可。

3. 外积实现冗余 + 数据类型未归一化 #

你的vectorMultiply虽然实现了外积，但Numpy原生的np.outer()可以直接完成这个操作，更高效且不易出错。另外，SVD计算得到的结果是浮点数，而PIL的Image.fromarray要求输入的灰度图数组是uint8类型（0-255范围），你需要将结果归一化到0-255区间并转换类型，否则会显示异常。

修正后的完整代码 #

import numpy.linalg as la
import numpy as np
from PIL import Image

# 读取图像并拆分通道
im = Image.open('C:/Users/<user>/Desktop/img/April23.jpg')
sim = im.split()

# 直接将通道转成numpy数组，跳过保存读取步骤
arsim = np.array(sim[0])
agsim = np.array(sim[1])
absim = np.array(sim[2])

# 对每个通道做SVD分解
ur, sr, vhr = la.svd(arsim, full_matrices=False)
ug, sg, vhg = la.svd(agsim, full_matrices=False)
ub, sb, vhb = la.svd(absim, full_matrices=False)

# 计算前k个dyad的和，这里k=1，你可以调整k值看不同的近似效果
k = 1
result_r = np.zeros_like(arsim, dtype=np.float64)
result_g = np.zeros_like(agsim, dtype=np.float64)
result_b = np.zeros_like(absim, dtype=np.float64)

for i in range(k):
    # 计算单个dyad: s_i * u_i @ v_i^T，用np.outer实现外积
    result_r += sr[i] * np.outer(ur[:, i], vhr[i])
    result_g += sg[i] * np.outer(ug[:, i], vhg[i])
    result_b += sb[i] * np.outer(ub[:, i], vhb[i])

# 将浮点数结果归一化到0-255，并转换为uint8类型
def normalize(arr):
    arr = arr - arr.min()
    arr = arr / arr.max() * 255
    return arr.astype(np.uint8)

r = Image.fromarray(normalize(result_r), "L")
g = Image.fromarray(normalize(result_g), "L")
b = Image.fromarray(normalize(result_b), "L")

new_image = Image.merge("RGB", (r, g, b))
# 显示或保存结果
new_image.show()
new_image.save('svd_approximation.jpg')

额外说明 #

• 调整k的值可以控制近似程度：k越大，图像越接近原始图，数据量也越大；k越小，图像越模糊，但数据量越小。
• la.svd的full_matrices=False参数可以返回更紧凑的分解结果，适合图像压缩场景，避免不必要的大矩阵。
• 归一化步骤非常重要：SVD分解后的数值范围可能远超出0-255，直接转uint8会导致截断失真，必须先归一化到图像的有效像素范围。

内容的提问来源于stack exchange，提问作者then999