ĐẠI HỌC QUỐC GIA TP.

HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM
KHOA KHOA HỌC & ỨNG DỤNG
BỘ MÔN TOÁN ỨNG DỤNG

BÁO CÁO
BÀI TẬP LỚN ĐẠI SỐ TUYẾN TÍNH

CHỦ ĐỀ 10:
ỨNG DỤNG SVD
ĐỂ KHỬ NHIỄU HÌNH ẢNH

LỚP L12 _ NHÓM 10

GV HƯỚNG DẪN: NGUYỄN XUÂN MỸ

TP.HCM, Ngày 5 tháng 12 năm 2022

 ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM
KHOA KHOA HỌC & ỨNG DỤNG
BỘ MÔN TOÁN ỨNG DỤNG

BÁO CÁO
BÀI TẬP LỚN ĐẠI SỐ TUYẾN TÍNH

CHỦ ĐỀ 10:
ỨNG DỤNG SVD ĐỂ KHỬ NHIỄU HÌNH ẢNH

Danh sách thành viên:

MSSV Họ và tên Ghi chú
2212748 Nguyễn Phú Quang Soạn Word
2212904 Đoàn Ngọc Sang Tìm kiếm thông tin
2213062 Nguyễn Thanh Tân Tìm kiếm thông tin
2212743 Nguyễn Hồng Quang Làm ppt
2212993 Nguyễn Tiến Tài Tìm kiếm thông tin
2212910 Nguyễn Hoàng Sang Tìm kiếm thông tin
2212860 Nguyễn Trọng Quyền Tìm kiếm thông tin
2212799 Nguyễn Hoàng Quân Coder

TP.HCM, ngày 5 tháng 12 năm 2022

MỤC LỤC
LỜI MỞ ĐẦU MÔN HỌC ...................................................................................................................................... 2
I. CƠ SỞ LÍ THUYẾT ............................................................................................................................................. 3
I.1 Trị riêng và vectơ riêng của ma trận ............................................................................................................... 3
1.1 Cơ sở lí thuyết ............................................................................................................................................ 3
Tính chất 1. ....................................................................................................................................................... 3
Tính chất 2. ....................................................................................................................................................... 3
Tính chất 3 ........................................................................................................................................................ 3
Tính chất 4 ........................................................................................................................................................ 3
Tính chất 5 ........................................................................................................................................................ 3
I.1.2.Các bước tìm trị riêng và vectơ riêng của ma trận ....................................................................................... 4
Bước1: Tìm giá trị riêng ................................................................................................................................... 4
Bước 2: Tìm vectơ riêng................................................................................................................................... 4
I.2 Chéo hoá trực giao: ......................................................................................................................................... 4
I.2.1 Cơ sở lí thuyết .......................................................................................................................................... 4
Chứng minh ...................................................................................................................................................... 4
I.2.2 Chéo hoá trực giao ma trận đối xứng A ....................................................................................................... 5
I.3 Phân tích SVD ( Singular Value Decomposition ).......................................................................................... 6
I.3.1 Cơ sở lý thuyết ......................................................................................................................................... 6
Định nghĩa ........................................................................................................................................................ 6
Phân tích SVD của ma trận A........................................................................................................................... 7
Giải toán bằng matlab: ......................................................................................................................................... 8
II. Ứng dụng của phân t ích SVD trong việc khử nhiễu âm thanh ......................................................................... 9
1 Đặt vấn đề.......................................................................................................................................................... 9
2 Bài toán SVD trong khử nhiễu hình ảnh ........................................................................................................... 9
* Tổng quan: ..................................................................................................................................................... 9
* Gây nhiễu ảnh bằng công cụ matlab................................................................................................................ 10
* Khử nhiễu ảnh bằng ứng dụng của SVD ......................................................................................................... 10
- code matlab : ................................................................................................................................................ 10
*Nhận xét: ...................................................................................................................................................... 12
III.3. MỘT SỐ ỨNG DỤNG CỦA SVD TRONG MỘT VÀI LĨNH VỰC .......................................................... 12
KẾT LUẬN ............................................................................................................................................................ 13
TÀI LIỆU THAM KHẢO ...................................................................................................................................... 13
LỜI CẢM ƠN ........................................................................................................................................................ 13
1
 LỜI MỞ ĐẦU MÔN HỌC

Đại số tuyến tính là môn học có tầm quan trọng không chỉ đối với sinh
viên trường đại học Bách Khoa Thành phố Hồ Chí Minh nói riêng mà
còn đối với sinh viên ngành khoa học kỹ thuật, công nghệ nói chung.

Đại số tuyến tính nói chung có rất nhiều ứng dụng trong hầu hết các lĩnh
vực trong khoa học: kinh tế, môi trường, công nghệ máy tính, xử lí tín hiệu,
đồ họa,…. Một phần nhỏ trong số đó phải nhắc đến là phương pháp phân
tích SVD trong nhiều bài toán khác nhau. Phương pháp phân tích suy biến
(singular value decomposition) được viết tắt là SVD là một trong những
phương pháp thuộc nhóm matrix factorization được phát triển lần đầu bởi
những nhà hình học vi phân. Ban đầu mục đích của phương pháp này là
tìm ra một phép xoay không gian sao cho tích vô hướng của các vector
không thay đổi. Từ mối liên hệ này khái niệm về ma trận trực giao đã hình
thành để tạo ra các phép xoay đặc biệt. Phương pháp SVD đã được phát
triển dựa trên những tính chất của ma trận trực giao và ma trận đường chéo
để tìm ra một ma trận xấp xỉ với ma trận gốc. Phương pháp này sau đó đã
được ứng dụng rộng rãi trong các lĩnh vực như hình học vi phân, hồi qui
tuyến tính, xử lý hình ảnh, cluaxstering, các thuật toán nèn và giảm chiều
dữ liệu, khử nhiễu âm thanh….

2
I. CƠ SỞ LÍ THUYẾT
I.1 Trị riêng và vectơ riêng của ma trận
1.1 Cơ sở lí thuyết
Định nghĩa: Cho AMn(K). Số λ0K được gọi là giá trị riêng của ma trận A, nếu tồn tại
vectơ giá trị X0≠0 sao cho AX0= λ0X0. Vectơ X0 được gọi là vectơ riêng của ma trận A
tương ứng với giá trị riêng X0.

Tính chất 1.

Mỗi vectơ riêng có một giá trị riêng duy nhất. Giả sử ma trận vương A có vectơ riêng x
ứng với hai giá trị riêng λ1, λ2 thì:
Ax= λ1x= λ2x ⟺⟺ ( λ1- λ2)x=0 ⟺ λ1= λ2.

Tính chất 2.

Nếu x là vectơ riêng ứng với giá trị riêng λ của ma trận vuông A thì kx cũng là vectơ
riêng với λ: Ax = λx ⟺ A(kx) = λ(kx)

Tính chất 3
Nếu λ là trị riêng của ma trận vuông A thì λn là trị riêng của ma trận An .

Tính chất 4

Giá trị riêng của ma trận vuông A là nghiệm của phương trình ( A-λI ) = 0.
Giả sử λ là giá trị riêng của ma trận A, khi đã tồn tại x ≠ 0 mà Ax = λx ⟺( A- λI )x =0.
Đây là một hệ phương trình tuyến tunhs, hệ này có nghiệm x ≠ 0 khi và chỉ khi
det ( A- λI )= 0.

Tính chất 5

Ma trận vuông A có giá trị riêng λ thì họ vectơ riêng ứng với λ là nghiệm của)
( A- λI )x = 0

3
 I.1.2.Các bước tìm trị riêng và vectơ riêng của ma trận
Bước1: Tìm giá trị riêng
+ Lập phương trình det ( A- λI ) = 0
+ Tính định thức, giải phương trình
+Tất cả các nghiệm của phương trình là tất cả các trị riêng của A
Bước 2: Tìm vectơ riêng
+ Tương ứng với trị riêng λ1. Giải hệ phương trình ( A- λ1I )x = 0
+ Tất cả các nghiệm khác 0 của hệ là tất cả các vectơ riêng của A ứng với trị riêng λ1.
+ Tương tự tìm vectơ riêng của A ứng với các trị riêng còn lại.

I.2 Chéo hoá trực giao:

I.2.1 Cơ sở lí thuyết
Định nghĩa 1. Ma trận AMn(R) gọi là ma trận đối xứng thực, nếu AT=A
Ví dụ 1: Ma trận A= . Kiểm tra thấy AT = A. Như vậy A là ma trận đối xứng. Các phần
tử của A đối xứng với nhau qua đường chéo chính.
Định nghĩa 2. Ma trận AMn(R) gọi là ma trận trực giao, nếu A-1= AT. Từ định nghĩa ta
có A.A-1= A.AT ⟺ A.AT = I. Như vậy nếu tích của A và AT là ma trận đơn vị I, thì A là
ma trận trực giao.
Mệnh đề 1: Ma trận A là ma trận trực giao khi và chỉ khi họ vectơ cột (hoặc họ vectơ
hàng) của A là họ trực chuẩn
Chứng minh
Cho A là ma trận trực giao. Tức là AAT= I. Để ý phép nhân hai ma trận với nhau, ta thấy
:hàng i của A nhân với cột j của ma trận ATlà hàng j của A.
Ta có : Ai*A*j =
Suy ra họ vectơ hàng của A là họ trực chuẩn.
Hoàn toàn tương tự, xét ATA = I ta cs họ vectơ cột của A là họ trực chuẩn.
Sử dụng mệnh đề này để tìm một ma trận trực giác A cấp n tuỳ ý như sau :
a) Trong Rn, chọn một cơ sở E.
b) Dùng quá trình Gram-Schmidt (nếu cần), trực giao hoá E để được cơ sở trực giao F.
c) Chia một vectơ hàng trong F cho độ dài cả nó ta có cơ sở trực chuẩn Q.

Khi đó A là ma trận trực giao.

Ví dụ 2: Trong R3, chọn cơ sở E=
Dùng quá trình trực giao hoá Gram-Schmidt, ta được họ trực giao:
F=
Chia mỗi vectơ cho độ dài của nó, ta có họ trực chuẩn:
Q=
Lập ma trận trực giao có họ vectơ cột (hoặc họ vectơ hàng) là Q
A=
4
Định nghĩa 3. Ma trận vuông, thực A gọi là chéo hoá trực giao được, nếu
A = PDP-1 = PDPT, với D là ma trận chéo và P là ma trận trực giao.
Định lí 1. Cho A là ma trận đối xứng thực
Các khẳng định sau đây là đúng :
1) Trị riêng của A là các số thực
2) A luông chéo hoá trực giao được
3) Hai vectơ riêng ứng với các giá trị riêng khác nhau vuông góc với nhau.
Mệnh đề 2. Nếu ma trận A chéo hoá trực giao được, thì A là ma trrận đối xướng.
Chứng minh
Giả sử A chéo hoá được. khi đó A = PDPT. Suy ra, AT = (PDP)T = (PT)T.DT.PT
= P.D.PT=A Hay A là ma trận đối xứng.
Như vậy chỉ có ma trận đối xứng thực mới chéo hoá trực giao được
I.2.2 Chéo hoá trực giao ma trận đối xứng A
Bước 1. Tìm trị riêng của A
Bước 2. Tìm một cơ sở của trực chuẩn của từng không gian con riêng
Để tìm cơ sở trực chuẩn của không gian con riêng Eλk, ta theo các bước sau:
a) Chọn cơ sở Ek tuỳ ý của Eλk
b) Dùng quá trình Gram-Schmidt (nếu cần) để tìm cơ sở trực giao Fk
c) Chia mỗi vectơ trong Fk cho độ dài của nó ta có cơ sở trực chuẩn Qk của Eλk
Bước 3. Kết luận

Ma trận A luôn chéo hoá trực giao được. Tức là A=PDPT, trong đó ma trận chéo D có
các phần tử trên dường chéo là các giá trị riêng của A, họ vectơ cột của a trận trực giao
P. Từ các vectơ riêng trong các cơ sở trực chuẩn ở bước 2

Ví dụ 3. Chéo hoá trực giao ma trận đối xứng, thực:

A=
Lời giải:
Bước 1. Tìm các giá trị riêng
A có hai trị riêng λ1 = 1, λ2 = 18
Bước 2. Tìm cơ sở trực chuẩn của các không gian con riêng
Ứng với 1 = 1.
Giải hệ ( A- λ1I )x = 0 ⟺ x = ( 4α : α )T.
Cơ sở của Eλ1 là (4 ; 1)T
Cơ sở trực chuẩn của Eλ1 là (4 ;1)T
Ứng với λ2 = 18
Giải hệ ( A- λ2I )x = 0 ⟺ x = ( α; -4 α )T. Cơ sở của Eλ2 là ( 1; -4 )T
Cơ sở trực chuẩn của Eλ2 là ( 1; -4 )T
Bước 3. Kết luận
Ma trận A chéo hoá trực giao được và A = PDPT, trong đó :
5
D = và P=
Ví dụ 4. Chéo hoá trực giao ma trận đối xứng, thực :
A=
Lời giải
Bước 1. Tìm cá trị riêng
Phương trình đặc trưng của A là ( x-7 )2 ( λ+2 ) = 0
A có hai trị riêng λ1 = 7, λ2 = -2
Bước 2. Tìm cơ sở trực chuẩn của các không gian con riêng ứng với λ1 = 7
Giải hệ: (A- λ1I)x = 0 ⟺ x = ( α; -2 α+2β; β)T
= α ( 1;-2;0 )T+ β( 0;2;1 )T
Cơ sở của E λ1 là e1 = ( 1 ;-2 ;0 )T
Dùng quá trình trực giao hoá Gram-schmictt, ta được cơ sở trực giao :
=
Vậy, cơ sở trực chuẩn của Eλ1 là
Lưu ý: Khi số chiều của không gian con riêng không lớn, ta có thể không dùng quá trình
Gram-schmidt để tìm cở trục giao.

Chẳng hạn như ta có thể tìm cơ sở trực giao của Eλ1 như
Chọn một vectơ riêng x1 = ( 1 ;-2 ;0 )T và tìm vectơ riêng thứ hai x2 = ( α; -2α + 2β; β )T
sao
cho x2x1
Suy ra ( x2,x1 ) = α + (-2) (-2α + 2β ) + 0 = 0
⟺ 5α - 4β = 0
Cho α = 4 ta được p = 5. Vậy vectơ riêng x2= (4 ;2 ;5)T ứng với λ2 = -2
Giải hệ ( A - λ2I )x = 0 ⟺ x = ( 2α; α; -2α )T
=α( 2; 1; -2 )T
Cơ sở trực giao của Eλ2 là (2 ; 1 ; -2)T
Do đó, cơ sở trực chuẩn của Eλ2 là (2 ; 1 ; -2 )T

Bước 3. Kết luận : ma trận A chéo hoá trực giao được và A= PDPT, trong đó D= và P=
I.3 Phân tích SVD ( Singular Value Decomposition )
I.3.1 Cơ sở lý thuyết
Định nghĩa
Cho A là một ma trận thực cỡ m*n. Ta chứng minh rằng tập hợp các trị riêng khác
không của
AAT và ATA là trùng nhau. Thật vậy, giả sử λ0 là một trị riêng khác 0 của AAT và là
vectơriêng của AAT tương ứng. Khi đó:
AATX0 = λ0X0. Suy ra ATAATX0 = ATλ0X0

6
Điều này tương đương với ATA ( ATX0 ) = λ0( ATX0 ), vì λ0 ≠ 0 nên ATX0 ≠ 0 . Suy
ra λ0 là trị riêng của ATA
Ma trận AAT và ma trận AAT và ma trận ATA là hai ma trận đối xứng, nên chéo hoá trực
giao được.
Phân tích SVD của ma trận A
- SVD (Singular Value Decomposition) là một phương pháp phân tích ma trận. Điểm đặc
biệt của SVD là nó có thể áp dụng được trên bất kỳ ma trận thực nào
- Với một ma trận A bất kì có m hàng và n cột (với n < m), có hạng là r và r < n < m,
phép biến đổi SVD sẽ phân tích ma trận A thành ba ma trận U, ∑ V như sau :
A=U∑ VT
- Trong đó Q và P là hai ma trận đều có họ vectơ cột là họ trực chuẩn, U được gọi là left
singular vectors(vector riêng trái) V được gọi là right singular vectors (vector riêng
phải),
𝐷0
Σ= là( ) ma trận cỡ m*n, D là ma trận chéo, có các phần tử trên đường chéo δ1 ; δ2 ;
00
… ; δr là nhừng số thực dương và được gọi là các singular values của A.
Khi đó ta thu được :
AAT= UΣVT(UΣVT)T =UΣVT.VΣTUT=UTΣΣTUT⁞
ATA= (UΣVT)TUΣVT=VΣTUTUΣVT=VΣΣTVT
- Các cột của Q là các vectơ riêng của ATA và δ12; δ22;… ; δr2là các trị riêng khác 0
không AAT.
- Trong D, ta sắp xếp các singular values của A theo tứ tự giảm dần:
δ1≥ δ2≥…≥ δr
δ1 0 . . . 0
0 δ2 . . . 0
Gọi U=(u1|u2|…|un) và V=(V1|V2|…|Vn), D =( )
. . . ⁞ . . .0
0 0 . . . δr
Từ đó ma trận A có thể ghi dưới dạng
A=δ1u1v1T + δ2u2v2T +…. δkukvkT với mọi ukvkT là một ma trận có hạng bằng 1

Hình 1

7
Như vậy ma trận A chỉ phụ thuộc vào r cột đầu tiên của U,V và r phần tử khác không
đầu tiên đường chéo của . Ta có phân tích gọn hơn của A gọi là compact SVD : A =
UrDVr với Ur,Vr là các ma trận tạo nên từ các cột của U và V tương ứng.
Trong lưu trữ hình ảnh, thông thường chỉ có một vài δm có giá trị cao và δn còn lại xấp
xĩ bằng0 nên có thể bỏ qua. Khi đó ta có xấp xĩ:
A ͌ Ak = δ1q1p1T + δ2q2p2T + … + δkqkpkT
và sai số trong xấp xĩ trên được xác định bởi công thức sau :
||A-Ak|| = δ2k+1+ δ2k+2 + … + δ2r
Giải toán bằng matlab:
Bước 1: Nhập vào ma trận A( hay ma trận nào mà ta muốn phân tích SVD)

Hình 2

Bước 2: Sử dụng hàm được lập trình sẵn của

matlab để phân tích SVD của ma trận A với cú
pháp:
[𝑄, 𝑆, 𝑃] = 𝑠𝑣𝑑(𝐴)
Bước 3: Ta thu được kết quả sau khi phân tích
SVD

Hình 3

8
II. Ứng dụng của phân t ích SVD trong việc khử nhiễu
âm thanh
1 Đặt vấn đề
-Trong đời sống chúng ta hiện nay, hình ảnh vốn rất quen thuộc và ta có
thể bắt gặp vô số hình ảnh mang chứa trong nó vô số nội dung khác nhau
.Chẳng hạn như : hình ảnh gia đình , ảnh chụp bạn bè , ảnh phong cảnh ,
ảnh seflie hay là một tấm ảnh chứa đựng đầy nghệ thuật của các nhiếp
ảnh gia ,… Hình ảnh đóng một vai trò quan trọng trong cuộc sống của chúng
ta bởi vốn dĩ nó có thể lưu giữ lại những thông tin vô cùng ý nghĩa đối với
mỗi người: giúp ta hình dung những sự vật sự việc đã xảy ra , lưu giữ những
kỉ niệm với bạn bè thời học sinh, có thể chiêm ngưỡng được vẻ đẹp ở bất
kì đâu mà không cần đặt chân tới đó ,…Để có được một tấm ảnh ta có thể
sử dụng nhiều những phương tiện khác nhau như điên thoại, máy ảnh ,…
Nhưng đôi khi những tệp hình ảnh có thể bị nhòe
đi, bị nhiễu khiến cho chất lượng hình ảnh giảm đi
và đó được gọi là hiện tượng “Noise” ảnh hay còn
gọi là nhiễu ảnh .Noise được hiểu cơ bản là các
đốm lấm chấm hạt nhỏ phân bố trên hình
ảnh nó khá giống như Grain trên film. Noise có thể
làm biến dạng các chi tiết trong ảnh khiến cho chất
lượng ảnh thấp và điều này chắc chắn không một
ai trong chúng ta mong muốn nó xảy ra với ảnh của
mình ,nguyên nhân xảy ra tình trạng này khá đa
dạng và những yếu tố xảy ra tình trạng noise có thể
kể đến như : thời gian phơi sáng quá lâu, nhiệt độ
môi trường hoặc do máy ảnh của bạn đã qua thời
gian sử dụng dài.
- Vậy vấn đề cần đặt ra làm thể nào chúng ta có thể
khử nhiễu được một tấm ảnh mà ta mong muôn ?

2 Bài toán SVD trong khử nhiễu hình ảnh

* Tổng quan:
1
Trong thời đại kỹ thuật số hiện nay, phân tích SVD có một số ứng dụng rất quan
trọng khi làm việc với dữ liệu lớn:
• Khử nhiễu ảm thanh
• Nén ảnh
• Giảm số chiều giữ liệu
• Ứng dụng trong phân tích thành phân chính (PCA: Principle component
analysis),…

Hình 4

Có lẽ chức năng hữu ích nhất của phân tích SVD đó chính là cung cấp một xấp xỉ hạng
bậc thấp tối ưu cho ma trận ban đầu (giả sử ma trận là X). Chức năng này được thực
hiện bằng cách chỉ giữ lại r singular value đầu tiên của X và r vector đầu tiên của trong
các ma trận singular vectors, đồng thời lược bỏ đi những phần tử còn lại. Phương pháp
này gọi là Truncate SVD
* Gây nhiễu ảnh bằng công cụ matlab

Hình 5 : ảnh phải là ảnh gốc , ảnh trái là ảnh đã bị gây nhiễu

* Khử nhiễu ảnh bằng ứng dụng của SVD

- code matlab :
1
 clc; close all;
in_address = 'btl10.jpg';
out_address = 'outBTL10.jpg';
if (exist(in_address)==2)
%open original image and convert it into gray colormap
%Here we use a BTL10 scan as original image
X = rgb2gray(imread(in_address));
X = im2double(imresize(X,2));
figure;
subplot(2,4,1),
imshow(X);
title('original image');
else
disp('file does not exist');
end
%Add noise to original image
Xnoisy= imnoise(X,'gaussian',0,0.1);
imwrite(Xnoisy, out_address);
subplot(2,4,2),
imshow(Xnoisy);
title('Noisy Image');
%Reconstruct image using SVD
[U, S, V] = svd(Xnoisy);
sigmas = diag(S);
%sigmas is a vector contain S(i,i) of the S matrix
%Problem
disp('Chung ta thu khoi phuc lai anh ban dau voi ma tran S co bac ngau nhien k');
ranks = [20, 50, 100, 150, 250, 450];
for i = 1:length(ranks)
approx_sigmas = sigmas;
ns = length(sigmas);
approx_sigmas(ranks(i):end) = 0;
approx_S = S;
approx_S(1:ns,1:ns) = diag(approx_sigmas);
approx_img = U * approx_S * V';
subplot(2, 4, i+2),
imshow(approx_img);
title(sprintf('Tuncate by r = %d', ranks(i)));
End

Hình 6 : cho thấy sự thay đổi của ảnh so với r

1
 *Nhận xét:
+Từ giá trị r = 250 trở đi, ảnh rõ nét nhưng có dấu hiệu nhiễu trở lại.
+Từ giá trị r = 150 trở về trước, ảnh được khữ nhiễu khá tốt, và khá rõ nét.
+ Với giá trị r = 50 ta thấy chất lượng ảnh khá tốt và nhiễu cũng được khử bớt đi
+Với những giá trị r nhỏ (r = 20), ảnh thu được hoàn toàn không rõ nét, và cũng
gần như khử được nhiễu.
+Có một mối liên hệ giữa độ phức tạp và độ chính xác khi khôi phục lại ảnh ban
đầu. Nếu chúng ta khôi phục lại ảnh ban đầu bằng giữ lại càng nhiều giá trị
singular values thì độ chính xác của ảnh cao nhưng đồng thời độ phức tạp cũng
cao (ở đây chính là nhiễu). Nếu chúng ta khôi phục lại ảnh ban đầu bằng cách
giữ lại một số rất ít singular values thì độ phức tạp của ảnh khôi phục thấp nhưng
kéo theo đó là độ chính xác của ảnh cũng thấp (trường hợp r = 20)
=> Vì vậy để khử nhiễu một tấm ảnh chúng ta cần tìm được một giá trị r phù hợp
III.3. MỘT SỐ ỨNG DỤNG CỦA SVD TRONG MỘT
VÀI LĨNH VỰC
*Trong lĩnh vực nhận diện khuôn mặt
-Lấy ví dụ về một phần mềm nhận diện khuôn mặt. Tập dữ liệu chúng ta đưa vào là hình
ảnh của hàng triệu người chính vì thế những bức ảnh rõ nét sẽ mang lại hiệu quả cao.
Bước đầu tiên chính là khử nhiễu đã đem lại một bức ảnh có chất lượng tốt nhất

* Trong lĩnh vực giao thông vận tải

-Lấy ví dụ bộ công an cần tìm biển số xe của một chiếc xe vượt đèn đỏ được chụp trong
camera nhưng bị nhiễu để mang lại một hình ảnh rõ hơn họ cần phải khử nhiễu hình ảnh

1
KẾT LUẬN
Tóm lại, với sự phát triển của công nghệ thì SVD trở thành một phần không thể
thiếu đối với các khối ngành kỹ thuật. Nhóm của tụi em đã giải quyết được phần
SVD trong khử nhiễu ảnh. Theo nhóm đã trình bày, SVD ngoài ứng dụng để khử
nhiễu ảnh trong lĩnh vực y tế, trí tuệ nhân tạo, học máy, iám sát giao thông nằm ở
phần III) ở trên thì cũng còn có những ứng dụng tuyệt vời khác như:
Bên cạnh đó, ngoài SVD chúng ta cũng có một số phương pháp khác được ứng
dụng trong khử nhiễu ảnh như:
• Non-negative matrix factorization (NMF of NNMF)
• Principal component analysis (PCA)
• Median Filter
• Non-local mean filter
• Gaussian filter
• Total variation filter
TÀI LIỆU THAM KHẢO
[1] Data-Driven Science and Engineering: Machine Learning, Dynamical Systems,
and Control, Steven L’Brunton & J’ Nathan Kutz
[2] The Optimal Hard Threshold for Singular Values is, Mathan Gavish & David
Donoho
[3] Tài liệu báo cáo của các anh chị sinh viên các khóa trước và sự hỗ trợ của các anh
chị
[4]https://sti.vista.gov.vn/tw/Lists/TaiLieuKHCN/Attachments/323837/CVb12S6202114
9.pdf
[5]Image Denoising with Singular Value Decompositon and Principal Component Analysis
LỜI CẢM ƠN
Để hoàn thành đề tài bài tập lớn lần này, trước hết nhóm chúng em xin chân
thành cảm ơn sự hướng dẫn, giúp đỡ, quan tâm từ quý thầy cô, bạn bè trong
lớp.
Đặc biệt, nhóm xin gửi đến cô Nguyễn Xuân Mỹ đã ra sức truyền đạt, chỉ dẫn
chúng em đề tài báo cáo lần này lời cảm ơn sâu sắc nhất.Không thể không nhắc
tới sự hợp tác, đoàn kết của các thành viên trong nhóm, xin cảm ơn mọi người
đã cùng góp sức, góp lực để hoàn thành bài báo cáo này.Vì còn tồn tại những
hạn chế về mặt kiến thức, trong quá trình trao đổi, hoàn thành bài project cuối
kì , chúng em không tránh khỏi những sai sót, kính mong nhận được sự đóng
góp từ quý thầy, cô. Những góp ý từ thầy cô sẽ là động lực để chúng em hoàn
thiện hơn. Một lần nữa, nhóm 10_ L12 xin gửi lời biết ơn chân thành đến
thầy,cô vì đã giúp chúng em đạt được kết quả này.
1
 Nhóm thực hiện đề tài
Nhóm 10 - Lớp L12