-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathpluto_notebook.jl
3341 lines (2816 loc) · 101 KB
/
pluto_notebook.jl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
### A Pluto.jl notebook ###
# v0.19.42
using Markdown
using InteractiveUtils
# This Pluto notebook uses @bind for interactivity. When running this notebook outside of Pluto, the following 'mock version' of @bind gives bound variables a default value (instead of an error).
macro bind(def, element)
quote
local iv = try Base.loaded_modules[Base.PkgId(Base.UUID("6e696c72-6542-2067-7265-42206c756150"), "AbstractPlutoDingetjes")].Bonds.initial_value catch; b -> missing; end
local el = $(esc(element))
global $(esc(def)) = Core.applicable(Base.get, el) ? Base.get(el) : iv(el)
el
end
end
# ╔═╡ bf5554d5-5c14-48bb-8dda-bf264cf660a9
begin
using PlutoUI
using LaTeXStrings
using Formatting
using Plots
using Colors
using ImageFiltering
using Images
using ImageMagick
using TestImages
using ImageView
using ImageTransformations
using LinearAlgebra
using LowRankApprox
using Wavelets
using DSP
using Primes
using DataFrames
end
# ╔═╡ 4fc5029e-1e90-408d-b5c6-c563918ae660
md""" #### 数ベクトル空間の線形代数
1. 行列と数ベクトル
2. 行列が表すデータ
3. 行列の特異値分解と低階最良近似
4. 離散ウェーブレット分解と画像処理
"""
# ╔═╡ e8b6f53b-eb6a-4f9b-99e5-8ee87f2ceda2
md"""
#### 1. 行列と数ベクトル
"""
# ╔═╡ 9aa96b35-d37d-46c2-90c9-509d06126fd5
md"""
##### 1-1. 行列と数ベクトルの定義
さて$m$と$n$を正整数とし$m{\times}n$個の(実)数
$a_{ij}, \quad i=1,\dotsc,m, \quad j=1,\dotsc,n$
を行を $m$ 個で列が $n$ 個になるように並べて $[\quad]$ または $(\quad)$ で括ったもの
$A=[a_{ij}]
:=
\begin{bmatrix}
a_{11} & a_{12} & \dotsb & a_{1n}
\\
a_{21} & a_{22} & \dotsb & a_{2n}
\\
\vdots & \vdots & & \vdots
\\
a_{m1} & a_{m2} & \dotsb & a_{mn}
\end{bmatrix}$
を $m{\times}n$ 行列という. 例えば
$\begin{bmatrix}
1 & 2 & 3
\\
4 & 5 & 6
\end{bmatrix},
\quad
\begin{bmatrix}
1 & 2 & 3
\\
4 & 5 & 6
\\
7 & 8 & 9
\end{bmatrix},
\quad
\begin{bmatrix}
1
\\
4
\\
7
\end{bmatrix},
\quad
\begin{bmatrix}
1 & 2 & 3
\end{bmatrix}$
は行列である. 特に列または行の数が1である場合
$\vec{a}
=
\begin{bmatrix}
a_1 \\ \vdots \\ a_m
\end{bmatrix},
\quad
\vec{b}
=
\begin{bmatrix}
b_1 & \dotsb & b_n
\end{bmatrix}$
はそれぞれ $m$ 次元列ベクトル, $n$ 次元行ベクトルとよぶ.
"""
# ╔═╡ b4bcd9fb-1960-445d-bde1-5755fd5662e8
md"""
##### 1-2. 行列と数ベクトルの演算
- 行列 $A$ の転置行列 $A^T$: $m{\times}n$ 行列 $A=[a_{ij}]$ の転置行列 $A^T$ という $n{\times}m$ 行列を次のように定義する:
$A^T:=[a_{ji}],
\quad
\begin{bmatrix}
1 & 2 & 3
\\
4 & 5 & 6
\end{bmatrix}^T
=
\begin{bmatrix}
1 & 4
\\
2 & 5
\\
3 & 6
\end{bmatrix}.$
- 行列の和 $A+B$: $A=[a_{ij}]$ と $B=[b_{ij}]$ が同じ $m{\times}n$ 行列であるとき $A+B$ を次のように定義する:
$A+B:=[a_{ij}+b_{ij}],$
$\begin{bmatrix}
1 & 2 & 3
\\
4 & 5 & 6
\end{bmatrix}
+
\begin{bmatrix}
7 & 8 & 9
\\
10 & 11 & 12
\end{bmatrix}
=
\begin{bmatrix}
1+7 & 2+8 & 3+9
\\
4+10 & 5+11 & 6+12
\end{bmatrix}
=
\begin{bmatrix}
8 & 10 & 12
\\
14 & 16 & 18
\end{bmatrix}.$
- 行列のスカラー倍 $cA$: 数 $c$ と $A=[a_{ij}]$ に対して $A$ のスカラー倍 $cA$ を次のように定義する:
$cA:=[ca_{ij}],
\quad
5
\begin{bmatrix}
1 & 2 & 3
\\
4 & 5 & 6
\end{bmatrix}
=
\begin{bmatrix}
5 & 10 & 15
\\
20 & 25 & 30
\end{bmatrix}.$
- 行列と列ベクトルの積 $A\vec{x}$: $\vec{a}_1,\dotsc,\vec{a}_n$ を $m$ 次元列ベクトルとし, $m{\times}n$ 行列 $A$ を $A:=\begin{bmatrix}\vec{a}_1 & \dotsb & \vec{a}_n\end{bmatrix}$ とする. $n$ 次元列ベクトル $\vec{x}=\begin{bmatrix}x_1 \\ \vdots \\ x_n\end{bmatrix}$ に対して $m$ 次元列ベクトル $A\vec{x}$ を次のように定義する:
$A\vec{x}:=x_1\vec{a}_1+\dotsb+x_n\vec{a}_n,$
$\begin{bmatrix}
1 & 2
\\
3 & 4
\\
5 & 6
\end{bmatrix}
\begin{bmatrix}
100 \\ 10
\end{bmatrix}
=
100
\begin{bmatrix}
1
\\
3
\\
5
\end{bmatrix}
+
10
\begin{bmatrix}
2
\\
4
\\
6
\end{bmatrix}
=
\begin{bmatrix}
120
\\
340
\\
560
\end{bmatrix}.$
- 行列の積 $AB$: $m{\times}n$ 行列 $A$ と $n{\times}l$ 行列 $B:=\begin{bmatrix}\vec{b}_1 & \dotsb & \vec{b}_l\end{bmatrix}$ に対して $m{\times}l$ 行列 $AB$ を次のように定義する:
$AB:=\begin{bmatrix}A\vec{b}_1 & \dotsb & A\vec{b}_l\end{bmatrix},$
$\begin{bmatrix}
1 & 2
\\
3 & 4
\\
5 & 6
\end{bmatrix}
\begin{bmatrix}
10 & 10
\\
1 & 100
\end{bmatrix}
=
\begin{bmatrix}
12 & 210
\\
34 & 430
\\
56 & 650
\end{bmatrix}.$
"""
# ╔═╡ 642ba2ee-ba66-4601-9edb-677c23e70780
md"""
##### 1-3. 平面上の線形写像の例
さて $A$ を $m{\times}n$ 行列, $\vec{x}$ と $\vec{y}$ を $n$ 次元列ベクトル, $c$ と $d$ を数とする.
次の対応
$\vec{x} \mapsto A\vec{x}$
は $n$ 次元列ベクトルの全体 $\mathbb{R}^n$ から $m$ 次元列ベクトルの全体 $\mathbb{R}^m$ への写像であり, 列ベクトルの和とスカラー倍を保存する:
$A(c\vec{x}+d\vec{y}) = c(A\vec{x}) + d(A\vec{y}).$
このような性質をもつ写像は線形写像とよばれる. 以下では $2\times2$ 行列が定義する平面 $\mathbb{R}^2$ から平面 $\mathbb{R}^2$ への線形写像の例を2つ見てみよう.
$\vec{x} \mapsto \vec{s}:=A\vec{x},$
すなわち
$\begin{bmatrix} x \\ y \end{bmatrix}
\mapsto
\begin{bmatrix} s \\ t \end{bmatrix}
:=
\begin{bmatrix} a & b \\ c & d \end{bmatrix}
\begin{bmatrix} x \\ y \end{bmatrix}
=
x
\begin{bmatrix} a \\ c \end{bmatrix}
+
y
\begin{bmatrix} b \\ d \end{bmatrix}$
とする.
"""
# ╔═╡ b8264135-0b84-4395-8d3a-ad8f42265004
md"""
###### 1-3-1. 伸長
2つの定数 $\lambda\ne0$ かつ $\mu\ne0$ を導入する.
$\begin{bmatrix} s \\ t \end{bmatrix}
:=
\begin{bmatrix} \lambda & 0 \\ 0 & \mu \end{bmatrix}
\begin{bmatrix} x \\ y \end{bmatrix}
=
\begin{bmatrix} \lambda{x} \\ \mu{y} \end{bmatrix}$
は $x$ 軸の尺度を $\lambda$ 倍に引き伸ばし, $y$ 軸の尺度を $\mu$ 倍に引き伸ばす写像である.
$\lambda<0$ ならば $x$ 軸と $u$ 軸の向きは逆になる.
原点を中心とする単位円の方程式 $x^2+y^2=1$ は楕円の方程式
$\frac{s^2}{\lambda^2}+\frac{t^2}{\mu^2}=1$
に移る. $\lambda=\sqrt{2}$, $\mu=1/\sqrt{2}$ の場合の図は以下のようになる.
"""
# ╔═╡ beeb450c-2191-4591-a289-d0d956e83e98
begin
ellipse=load("./image/ellipse.png");
end
# ╔═╡ df792cbc-3244-453d-9cb8-6bc359b881c5
md"""
###### 1-3-2. 回転
原点を中心に半時計回りに角度 $\theta \in [0,2\pi)$ の回転を与える行列 $P(\theta)$ は
$P(\theta)
=
\begin{bmatrix}
\cos\theta & -\sin\theta
\\
\sin\theta & \cos\theta
\end{bmatrix}$
である. 第1列と第2列の関係は以下のようになり, 直交していることがわかる:
$\begin{bmatrix}
-\sin\theta
\\
\cos\theta
\end{bmatrix}
=
\begin{bmatrix}
\cos(\theta+\pi/2)
\\
\sin(\theta+\pi/2)
\end{bmatrix}.$
角度が $\theta=\pi/6$ のときに $uv$-平面に $x$-軸と $y$-軸を書き込んでみる:
$\begin{bmatrix} s \\ t \end{bmatrix}
=
\begin{bmatrix}
\cos(\pi/6) & -\sin(\pi/6)
\\
\sin(\pi/6) & \cos(\pi/6)
\end{bmatrix}
\begin{bmatrix} x \\ y \end{bmatrix}
=
x
\begin{bmatrix} \sqrt{3}/2 \\ 1/2 \end{bmatrix}
+
y
\begin{bmatrix} -1/2 \\ \sqrt{3}/2 \end{bmatrix}.$
"""
# ╔═╡ 8e88d7de-5b94-46dc-bb37-b2a89287372e
begin
rotation=load("./image/rotation.png");
end
# ╔═╡ 734f2151-1622-466c-8f64-0b86d81b32f2
# ╔═╡ 2cc48257-83e1-4fa4-8659-edc962d92bf2
begin
xx=rand(1550:1950, 100)/10;
XX=[ones(100) xx];
yy=(xx.^2).*rand(160:400, 100)/100000;
yy=round.(yy, digits=1);
bb=XX\yy;
tt=155:1:195;
zz=[ones(length(tt)) tt]*bb;
ZZ=[xx yy];
for i=1:1
end
end
# ╔═╡ 9ff98a24-2646-4009-9482-9d066faa1716
md"""
#### 2. 行列が表すデータ
"""
# ╔═╡ 56cc741b-f300-4558-a078-a161f58307a9
md"""
##### 2-1. データ行列
下記は100人の身長と体重のデータ一覧であるが, $100\times2$ の行列とみなすことができる. 一般に個体数 $N$ で各個体がそれぞれ $p$ 種類のデータをもっているとき, そのデータ一覧は $N{\times}p$ 行列として表すことができる.
"""
# ╔═╡ dc3cb19c-c076-4dc4-9d38-90a5c4956f3b
begin
df = DataFrame(height = xx, weight = yy)
end
# ╔═╡ c8263139-b11e-4404-a311-e5a345944168
md"""
身長を横軸に体重を縦軸にとった平面上に各個人のデータを点で表すことができる. これを散布図という. 線形代数の一般逆行列あるいは特異値分解を利用すると, 線形回帰(最小二乗法)による身長と体重の関係を表す直線を求めることができる.
"""
# ╔═╡ e5700f04-1645-4fa7-9fa9-b2cc608120b7
begin
scatter(xx,yy,
grid=false,
label="sample",
xlabel="height [cm]",
ylabel="weight [kg]",
title="Linear Regression between Height & Weight")
plot!(tt,zz,linewidth=2, label="regression",color="magenta")
end
# ╔═╡ d412da3b-992f-450f-8c4f-989f033697e8
md"""
##### 2-2. 白黒画像 (grayscale image)
さて, 白黒画像 (grayscale image) は各小正方形(ピクセル)に $0$ から $255$ までの整数, あるいは,
それらを $255$ で割った $0$ から $1$ までの実数を割り当てたものであり, そのような成分をもつ行列であるとみなすことができる. $0$ は黒を表し $255$ は白を表す. 数値は色の強さを表し大きいほど強い. 例えば次の行列
$\begin{bmatrix}
0 & 15 & 30 & 45 & 60 & 75
\\
90 & 105 & 120 & 135 & 150 & 165
\\
180 & 195 & 210 & 225 & 240 & 255
\end{bmatrix}$
の表す白黒画像は以下のとおりである。
"""
# ╔═╡ 9ff00640-ee11-4d18-9fbd-3d6ef5264ee5
begin
Gsample=[0 15 30 45 60 75;
90 105 120 135 150 165;
180 195 210 225 240 255]/255;
plot(Gray.(Gsample),
xaxis=false,
xticks=false,
yaxis=false,
yticks=false)
end
# ╔═╡ aa109280-a4ef-427a-8b75-850acd667d12
md"""
##### 2-3. RGB画像
RGB画像は同じサイズの白黒画像のデータの3つの行列をデータとし, 各行列を三原色の赤と緑と青でそれぞれ着色して合わせたものである. プログラミング言語の乱数機能で生成した3つの$16\times16$行列とその3つ組が表すRGB画像を示す.
"""
# ╔═╡ 34c4dc39-0b65-4abd-9997-c8bfaf02b529
begin
# read image, resize, decompose
L1=4;
RII=rand(2^L1, 2^L1);
GII=rand(2^L1, 2^L1);
BII=rand(2^L1, 2^L1);
RRR=zeros(3,2^L1, 2^L1);
GGG=zeros(3,2^L1, 2^L1);
BBB=zeros(3,2^L1, 2^L1);
RGBII=zeros(3,2^L1, 2^L1);
RRR[1,:,:]=RII[:,:];
GGG[2,:,:]=GII[:,:];
BBB[3,:,:]=BII[:,:];
RGBII[1,:,:]=RII[:,:];
RGBII[2,:,:]=GII[:,:];
RGBII[3,:,:]=BII[:,:];
QQQ1=plot(colorview(RGB,RRR),
title="Grayscale Image (Red)",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false);
QQQ2=plot(colorview(RGB,GGG),
title="Grayscale Image (Green)",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false);
QQQ3=plot(colorview(RGB,BBB),
title="Grayscale Image (Blue)",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false,
grid=false);
QQQ4=plot(colorview(RGB,RGBII),
title="RGB Image",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false,
grid=false);
plot(QQQ1,QQQ2,QQQ3,QQQ4,size=(1000,1000),layout=(2,2))
end
# ╔═╡ 23591d92-e9d9-4565-94d0-6d3b37c8befc
md"""
#### 3. 行列の特異値分解と低階最良近似
"""
# ╔═╡ a7744957-4472-4012-ad31-372cd48fa78c
md""" ##### 3-1. 特異値分解の例
行列
$A
=
\frac{1}{8}
\begin{bmatrix}
\sqrt{6}+4\sqrt{2} & \sqrt{6}-4\sqrt{2}
\\
-4\sqrt{6}+\sqrt{2} & 4\sqrt{6}+\sqrt{2}
\end{bmatrix}$
は次のように分解される:
$A
=
U \Sigma V^T
=
\begin{bmatrix} \cos(\pi/3) & \sin(\pi/3) \\ -\sin(\pi/3) & \cos(\pi/3) \end{bmatrix}
\begin{bmatrix} 2 & 0 \\ 0 & 1/2 \end{bmatrix}
\begin{bmatrix} \cos(\pi/4) & \sin(\pi/4) \\ -\sin(\pi/4) & \cos(\pi/4) \end{bmatrix}^T.$
さて $U$ は時計回りの $\pi/3$ の回転を与える行列であり, $V^T$ は反時計回りの $\pi/4$ の回転を与える行列であり, $A$ は回転 ($V^T$), 伸長 ($\Sigma$), 回転 ($U$) の合成写像であることがわかる.
$\begin{bmatrix} s \\ t \end{bmatrix}
=
\frac{x}{8}
\begin{bmatrix} \sqrt{6}+4\sqrt{2} \\ -4\sqrt{6}+\sqrt{2} \end{bmatrix}
+
\frac{y}{8}
\begin{bmatrix} \sqrt{6}-4\sqrt{2} \\ 4\sqrt{6}+\sqrt{2} \end{bmatrix}$
とすると, 単位円の方程式 $x^2+y^2=1$ は傾いた楕円の方程式 $49s^2+15\sqrt{3}st+19t^2=16$ に移る.
"""
# ╔═╡ 8d8b6675-a71f-421b-bc62-c0a6fb9b3e9e
begin
svdexample=load("./image/svd.png");
end
# ╔═╡ 2e5e3122-1b2b-4dcf-88d4-f79b3e727bbf
md"""
$\sigma_1=2,
\quad
\sigma_2=\frac{1}{2},$
$\vec{v}_1
=
\frac{1}{\sqrt{2}}
\begin{bmatrix}
1 \\ -1
\end{bmatrix},
\quad
\vec{v}_2
=
\frac{1}{\sqrt{2}}
\begin{bmatrix}
1 \\ 1
\end{bmatrix},$
$\vec{u}_1
=
\frac{1}{2}
\begin{bmatrix}
1 \\ -\sqrt{3}
\end{bmatrix},
\quad
\vec{u}_2
=
\frac{1}{2}
\begin{bmatrix}
\sqrt{3} \\ 1
\end{bmatrix}$
とおくと,
$A
=
\sum_{j=1}^2\sigma_j\vec{u}_j\vec{v}_j^T
=
\frac{1}{\sqrt{2}}
\begin{bmatrix}
1 \\ -\sqrt{3}
\end{bmatrix}
\begin{bmatrix}
1 & -1
\end{bmatrix}
+
\frac{1}{4\sqrt{2}}
\begin{bmatrix}
\sqrt{3} \\ 1
\end{bmatrix}
\begin{bmatrix}
1 & 1
\end{bmatrix},$
すなわち
$A
=
\frac{1}{8}
\begin{bmatrix}
\sqrt{6}+4\sqrt{2} & \sqrt{6}-4\sqrt{2}
\\
-4\sqrt{6}+\sqrt{2} & 4\sqrt{6}+\sqrt{2}
\end{bmatrix}
=
\frac{1}{8}
\begin{bmatrix} 4\sqrt{2} & -4\sqrt{2} \\ -4\sqrt{6} & 4\sqrt{6} \end{bmatrix}
+
\frac{1}{8}
\begin{bmatrix} \sqrt{6} & \sqrt{6} \\ \sqrt{2} & \sqrt{2} \end{bmatrix}$
と表すことができる.
"""
# ╔═╡ b4937ad5-c8c7-492c-86d6-981a14f274ca
# ╔═╡ 3f45852f-ad72-4ba2-b147-a14151e8ed97
md""" ##### 3-2. 一般の行列の特異値分解と低階最良近似
一般の $m{\times}n$ 行列 $A=\begin{bmatrix}\vec{a}_1 & \dotsb & \vec{a}_n \end{bmatrix}$ に対して $A$ の階数 (rank) とよばれる非負整数
$r
:=
\operatorname{dim}\bigl(
\{
A\vec{x}
=
x_1\vec{a}_1+\dotsb+x_n\vec{a}_n
\ \vert \
\vec{x} \in \mathbb{R}^n
\}
\bigr)$
が定義される. $A$ の成分がすべて $0$ の場合を除くと $1 \leqq r \leqq \min\{m,n\}$ が成立する.
"""
# ╔═╡ 52b8e90f-41d2-4791-9042-799053d5ec38
begin
strang=load("./image/strang.jpeg");
end
# ╔═╡ 3d656643-bf04-4ac7-99fc-6d98a571523a
md"""
このとき
$\sigma_1 \geqq \dotsb \geqq \sigma_r>0,
\quad
\vec{u}_1,\dotsc,\vec{u}_r \in \mathbb{R}^m,
\quad
\vec{v}_1,\dotsc,\vec{v}_r \in \mathbb{R}^n$
が存在して
$A=\sum_{j=1}^r\sigma_j\vec{u}_j\vec{v}_j^T$
と表すことができることが知られている.
$A_k:=\sum_{j=1}^k\sigma_j\vec{u}_j\vec{v}_j^T, \quad k=1,\dotsc,r$
とすると, $A_k$ の階数は $k$ であり, 階数が $k$ のすべての行列のうち $A$ に最も近い行列, すなわち, 階数が $k$ のすべての行列の中で $A_k$ は $A$ の最良の近似を与える行列であることが知られている. シンガポール国立大学の理学部食堂の焼きそばの画像 $384\times512\times3$ を低階最良近似してみる.
"""
# ╔═╡ 789e78db-4f6a-4f7a-bba0-8ab119d3f1fb
begin
# read image, resize, decompose
I=load("./material/char_kway_teow.jpg");
X=imresize(I, ratio=1/4);
(p,q)=size(X);
L=7;
A=channelview(X);
R=Array{Float64}(A[1,:,:]);
G=Array{Float64}(A[2,:,:]);
B=Array{Float64}(A[3,:,:]);
RU, RS, RV=psvd(R);
GU, GS, GV=psvd(G);
BU, BS, BV=psvd(B);
rank=100;
DR=zeros(p,q,rank);
DG=zeros(p,q,rank);
DB=zeros(p,q,rank);
for r=1:rank
DR[:,:,r]=sum(RS[n]*RU[1:p,n]*(RV[1:q,n])' for n=1:r);
DG[:,:,r]=sum(GS[n]*GU[1:p,n]*(GV[1:q,n])' for n=1:r);
DB[:,:,r]=sum(BS[n]*BU[1:p,n]*(BV[1:q,n])' for n=1:r);
end
end
# ╔═╡ 6e01a823-9696-41b7-96a3-cc1157bd472d
begin
Y=zeros(3,p,q,rank+16);
Z=zeros(p,q)
for r=1:4
Y[1,:,:,r]=R;
Y[2,:,:,r]=G;
Y[3,:,:,r]=B;
end
for r=5:8
Y[1,:,:,r]=Z;
Y[2,:,:,r]=Z;
Y[3,:,:,r]=Z;
end
for r=9:rank+8
Y[1,:,:,r]=DR[:,:,r-8];
Y[2,:,:,r]=DG[:,:,r-8];
Y[3,:,:,r]=DB[:,:,r-8];
end
for r=rank+9:rank+12
Y[1,:,:,r]=Z;
Y[2,:,:,r]=Z;
Y[3,:,:,r]=Z;
end
for r=rank+13:rank+16
Y[1,:,:,r]=R;
Y[2,:,:,r]=G;
Y[3,:,:,r]=B;
end
end
# ╔═╡ 6f41a7c7-6c0a-447f-a9ff-6ef79d8c21b0
begin
W=zeros(3,p,q,rank);
for r=1:rank
W[1,:,:,r]=DR[:,:,r];
W[2,:,:,r]=DG[:,:,r];
W[3,:,:,r]=DB[:,:,r];
end
end
# ╔═╡ bf7a523b-3783-4e45-a201-cbffaaf4859a
md"""
rank = $(@bind r Slider(1:rank, show_value=true))
"""
# ╔═╡ 780baf1a-b008-44dc-be56-75d0b5cf621e
begin
SVD1=plot(colorview(RGB,W[:,:,:,r]),
title="approximation 1-100/384",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false,
grid=false);
SVD2=plot(colorview(RGB,X),
title="original RGB image",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false,
grid=false);
plot(SVD1,SVD2)
end
# ╔═╡ 17c01101-a17c-43f6-9a08-260f13e17c13
# ╔═╡ c53a862a-0a1d-479e-a84e-f32d7bd7cfc8
md"""
#### 4. 離散ウェーブレット分解と応用
"""
# ╔═╡ 6b1ce739-aca6-47d6-842a-701712b2cc61
md"""
##### 4-1. 離散ハール・ウェーブレット
離散ウェーブレットとはある性質をみたす2つの数ベクトルの組でのことである.
最も単純なのは次の離散ハール・ウェーブレットである.
$\vec{u}
=
\frac{1}{\sqrt{2}}
\begin{bmatrix}
1
\\
1
\\
0
\\
\vdots
\\
0
\end{bmatrix},
\quad
\vec{v}
=
\frac{1}{\sqrt{2}}
\begin{bmatrix}
1
\\
-1
\\
0
\\
\vdots
\\
0
\end{bmatrix}
\in\mathbb{R}^{N},$
これを用いると数ベクトルや行列の隣接する成分の平均をとるという操作を線形代数だけを用いて系統的に定義することができる. 2回の操作で
$\vec{a}_0
=
\begin{bmatrix}
1 \\ 3 \\ 5 \\ 7
\end{bmatrix}
\mapsto
\vec{a}_1
=
\begin{bmatrix}
2 \\ 2 \\ 6 \\ 6
\end{bmatrix}
\mapsto
\vec{a}_2
=
\begin{bmatrix}
4 \\ 4 \\ 4 \\ 4
\end{bmatrix}$
$A_0
=
\begin{bmatrix}
0 & 2 & 4 & 6
\\
8 & 10 & 12 & 14
\\
16 & 18 & 20 & 22
\\
24 & 26 & 28 & 30
\end{bmatrix}
\mapsto
A_1
=
\begin{bmatrix}
5 & 5 & 9 & 9
\\
5 & 5 & 9 & 9
\\
21 & 21 & 25 & 25
\\
21 & 21 & 25 & 25
\end{bmatrix}
\mapsto
A_2
=
\begin{bmatrix}
15 & 15 & 15 & 15
\\
15 & 15 & 15 & 15
\\
15 & 15 & 15 & 15
\\
15 & 15 & 15 & 15
\end{bmatrix}$
のようになる. 平均をとる操作を $\ell$ 回行って得られるものをレベル $\ell$ の近似部分, 残りをレベル $\ell$ の詳細部分という. 画像データのウェーブレット分解を観察してみよう.
"""
# ╔═╡ de96f98e-7217-496f-9bf0-6c3e13706ec0
begin
L0=3
p0=8;
q0=8;
G0=[ 0 4 8 12 16 20 24 28;
32 36 40 44 48 52 56 60;
64 68 72 76 80 84 88 92;
96 100 104 108 112 116 120 124;
128 132 136 140 144 148 152 156;
160 164 168 172 176 180 184 188;
192 196 200 204 208 212 216 220;
224 228 232 236 240 244 248 252]/255;
XG0=zeros(p0,q0,L0);
for l=1:L0
XG0[:,:,l]=dwt(G0, wavelet(WT.haar), l);
end
XG0approx=zeros(p0,q0,L0);
for l=1:L0
XG0approx[1:Int(p0/2^l),1:Int(q0/2^l),l]=XG0[1:Int(p0/2^l),1:Int(q0/2^l),l];
end
XG0detail=XG0-XG0approx;
YG0approx=zeros(p0,q0,L0);
YG0detail=zeros(p0,q0,L0);
for l=1:L0
YG0approx[:,:,l]=idwt(XG0approx[:,:,l], wavelet(WT.haar), l);
YG0detail[:,:,l]=idwt(XG0detail[:,:,l], wavelet(WT.haar), l);
end
ZG0approx=zeros(p0,q0,L0+1);
ZG0detail=zeros(p0,q0,L0+1);
ZG0approx[:,:,1]=G0;
for l=2:L0+1
ZG0approx[:,:,l]=YG0approx[:,:,l-1];
ZG0detail[:,:,l]=YG0detail[:,:,l-1];
end
end
# ╔═╡ b9212600-820b-4edc-a265-ddf8334700c9
md"""
##### 4-2. $8\times8$ 白黒画像
"""
# ╔═╡ b0b82a93-e29c-4c68-a2a7-45f181658f19
md"""
Level = $(@bind l0 Slider(0:L0, show_value=true))
"""
# ╔═╡ 3c393bc2-7da4-431b-a984-e8db6a97f5dc
begin
Z1=plot(Gray.(G0),
#title="Original Image",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false);
Z2=plot(Gray.(ZG0approx[:,:,l0+1]),
#title="Haar",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false);
Z3=plot(Gray.(ZG0detail[:,:,l0+1]),
#title="Daubechies 2",
xaxis=false,
xticks=false,
yaxis=false,
yticks=false);
plot(Z1,Z2,Z3,layout=(1,3))
end
# ╔═╡ fe147b2f-fdc8-4f6e-8efa-fb04862aa2dd
begin
# Decomposition Filter
RXII=zeros(2^L1,2^L1,L1);
GXII=zeros(2^L1,2^L1,L1);
BXII=zeros(2^L1,2^L1,L1);
for l=1:L1
RXII[:,:,l]=dwt(RII, wavelet(WT.haar), l);
GXII[:,:,l]=dwt(GII, wavelet(WT.haar), l);
BXII[:,:,l]=dwt(BII, wavelet(WT.haar), l);
end
# Splitting
RXIIapprox=zeros(2^L1,2^L1,L1);
GXIIapprox=zeros(2^L1,2^L1,L1);
BXIIapprox=zeros(2^L1,2^L1,L1);
for l=1:L1
RXIIapprox[1:2^(L1-l),1:2^(L1-l),l]=RXII[1:2^(L1-l),1:2^(L1-l),l];
GXIIapprox[1:2^(L1-l),1:2^(L1-l),l]=GXII[1:2^(L1-l),1:2^(L1-l),l];
BXIIapprox[1:2^(L1-l),1:2^(L1-l),l]=BXII[1:2^(L1-l),1:2^(L1-l),l];
end
RXIIdetail=RXII-RXIIapprox;
GXIIdetail=GXII-GXIIapprox;
BXIIdetail=BXII-BXIIapprox;
# Composition Filter
RYIIapprox=zeros(2^L1,2^L1,L1);
RYIIdetail=zeros(2^L1,2^L1,L1);
GYIIapprox=zeros(2^L1,2^L1,L1);
GYIIdetail=zeros(2^L1,2^L1,L1);
BYIIapprox=zeros(2^L1,2^L1,L1);
BYIIdetail=zeros(2^L1,2^L1,L1);
for l=1:L1
RYIIapprox[:,:,l]=idwt(RXIIapprox[:,:,l], wavelet(WT.haar), l);
RYIIdetail[:,:,l]=idwt(RXIIdetail[:,:,l], wavelet(WT.haar), l);
GYIIapprox[:,:,l]=idwt(GXIIapprox[:,:,l], wavelet(WT.haar), l);
GYIIdetail[:,:,l]=idwt(GXIIdetail[:,:,l], wavelet(WT.haar), l);
BYIIapprox[:,:,l]=idwt(BXIIapprox[:,:,l], wavelet(WT.haar), l);
BYIIdetail[:,:,l]=idwt(BXIIdetail[:,:,l], wavelet(WT.haar), l);
end
# RGB
ZIIapprox=zeros(3,2^L1,2^L1,L1+1);
ZIIdetail=zeros(3,2^L1,2^L1,L1+1);
ZIIapprox[1,:,:,1]=RII;
ZIIapprox[2,:,:,1]=GII;
ZIIapprox[3,:,:,1]=BII;
for l=2:L1+1
ZIIapprox[1,:,:,l]=RYIIapprox[:,:,l-1];
ZIIapprox[2,:,:,l]=GYIIapprox[:,:,l-1];
ZIIapprox[3,:,:,l]=BYIIapprox[:,:,l-1];
ZIIdetail[1,:,:,l]=RYIIdetail[:,:,l-1];
ZIIdetail[2,:,:,l]=GYIIdetail[:,:,l-1];
ZIIdetail[3,:,:,l]=BYIIdetail[:,:,l-1];
end
end
# ╔═╡ 4d12cd8c-7d1d-4611-887f-bfdd53da48e9