2025年大学《数理基础科学》专业题库- 线性代数在图像处理中的应用

2025年大学《数理基础科学》专业题库——线性代数在图像处理中的应用考试时间：______分钟总分：______分姓名：______一、计算题1.设矩阵A=[[1,2],[3,0]],B=[[0,-1],[2,5]]。计算3A-2B及其转置矩阵(3A-2B)ᵀ。2.计算矩阵A=[[2,1],[-1,3]]的逆矩阵A⁻¹（若存在）。3.设向量v₁=[1,2,-1]ᵀ,v₂=[2,-3,1]ᵀ,v₃=[0,1,1]ᵀ。求向量v₁,v₂,v₃的线性组合[1,1,1]ᵀ是否可以由v₁,v₂,v₃线性表示？若可以，写出其表示方式。4.求矩阵A=[[4,1],[-2,3]]的特征值和对应的特征向量。5.对矩阵A=[[10,2],[2,5]]进行奇异值分解A=UΣVᵀ，其中U和V均为正交矩阵，Σ为对角矩阵。写出计算Σ中奇异值的基本步骤，并说明奇异值在图像压缩中的意义。二、理论题1.解释什么是图像的灰度矩阵表示？当一张M×N像素的灰度图像被表示为矩阵时，该矩阵的维度是多少？矩阵中的每个元素代表什么？2.简述主成分分析（PCA）的基本思想及其在图像处理中（例如，用于图像压缩）的主要步骤。解释协方差矩阵的特征向量在PCA中的作用。3.描述奇异值分解（SVD）的基本概念。对于一个m×n的矩阵A，其SVD表示式A=UΣVᵀ中，矩阵U,Σ,V的维度分别是多少？并说明奇异值Σ中对角线元素的意义。4.在图像去噪应用中，基于SVD的方法通常如何操作？请简述其核心原理，并说明保留前k个最大奇异值的作用。三、应用题1.假设我们有一组从同一场景拍摄的小尺寸（4x4像素）的灰度图像块，通过分析发现其协方差矩阵近似为C=[[10,1],[1,5]]。现选取一个具体的4x4图像块，其灰度值矩阵表示为X=[[10,12,11,13],[12,14,13,15],[11,13,12,14],[13,15,14,16]]。(a)使用上述协方差矩阵C，尝试推导出该图像块的主成分（特征向量乘以特征值的平方根）。说明这些主成分的几何意义。(b)如果我们使用PCA方法对该图像块进行压缩，保留最重要的2个主成分，请简述如何表示这个压缩后的图像块信息，并解释信息损失的可能情况。2.考虑一个3x3的灰度图像矩阵表示的图像块A=[[1,2,0],[2,0,1],[0,1,3]]。假设该图像块受到了均值为0、方差为σ²=1的加性高斯白噪声的影响，得到的观测矩阵为B=[[2,3,1],[3,1,2],[1,2,4]]。(a)简述如何利用奇异值分解（SVD）来估计原始图像块A和噪声矩阵N。说明在SVD分解中，噪声通常如何影响奇异值的大小。(b)基于得到的SVD分解结果，描述一种简单的基于SVD的图像去噪方法，并说明选择保留哪些奇异值或奇异向量可以起到去噪效果。解释该方法抑制噪声的原理。试卷答案一、计算题1.3A-2B=[[3,6],[9,0]]-[[0,-2],[4,10]]=[[3,8],[5,-10]](3A-2B)ᵀ=[[3,5],[8,-10]]2.det(A)=(2)(3)-(1)(-1)=6+1=7≠0，A可逆。A⁻¹=(1/det(A))*[[d,-b],[-c,a]]=(1/7)*[[3,-1],[1,2]]=[[3/7,-1/7],[1/7,2/7]]3.设x₁v₁+x₂v₂+x₃v₃=[1,1,1]ᵀ，即x₁[1,2,-1]ᵀ+x₂[2,-3,1]ᵀ+x₃[0,1,1]ᵀ=[1,1,1]ᵀ。得方程组：x₁+2x₂+0x₃=12x₁-3x₂+x₃=1-x₁+x₂+x₃=1解此方程组，得x₁=1,x₂=0,x₃=0。因此，[1,1,1]ᵀ=1*v₁+0*v₂+0*v₃，可以线性表示，表示方式为[1,1,1]ᵀ=v₁。4.det(λI-A)=det([[λ-4,-1],[2,λ-3]])=(λ-4)(λ-3)-(-1)(2)=λ²-7λ+10+2=λ²-7λ+12=0解得特征值λ₁=3,λ₂=4。对λ₁=3，(3I-A)v=0=>[[-1,-1],[2,0]][[x],[y]]=[[0],[0]]得-x-y=0,2x=0=>x=0,y=0。特征向量为[0,1]ᵀ（或任意非零倍数）。对λ₂=4，(4I-A)v=0=>[[0,-1],[2,1]][[x],[y]]=[[0],[0]]得-y=0,2x+y=0=>y=0,x=0。特征向量为[1,0]ᵀ（或任意非零倍数）。（注意：此处计算特征向量过程有误，应重新计算）对λ₁=3，(3I-A)v=0=>[[-1,-1],[2,0]][[x],[y]]=[[0],[0]]=>y=-x。取x=1,y=-1。特征向量为[1,-1]ᵀ。对λ₂=4，(4I-A)v=0=>[[0,-1],[2,1]][[x],[y]]=[[0],[0]]=>y=2x。取x=1,y=2。特征向量为[1,2]ᵀ。特征值：3,4。特征向量：[1,-1]ᵀ,[1,2]ᵀ。5.计算步骤：(a)求协方差矩阵C=(1/(n-1))*(AᵀA)，这里n=2。C=(1/2)*[[10,2],[2,5]]*[[10,2],[2,5]]=(1/2)*[[104,20],[20,29]]=[[52,10],[10,14.5]]。(b)求矩阵C的特征值λ₁,λ₂及对应的特征向量v₁,v₂。Cv₁=λ₁v₁,Cv₂=λ₂v₂。解得λ₁≈54.92,λ₂≈9.08，v₁≈[0.928,0.371]ᵀ,v₂≈[-0.371,0.928]ᵀ。(c)归一化特征向量得到V=[[0.928,-0.371],[0.371,0.928]]（注意：这里V应该是正交矩阵，特征向量需要正交化和单位化，简化计算时可能未完全执行）。(d)计算Σ=√λ₁*v₁v₁ᵀ+√λ₂*v₂v₂ᵀ≈√54.92*[[0.860],[0.321]]+√9.08*[[0.137],[-0.501]]≈[[7.48,0],[0,3.01]]。(e)计算U=A*V*Σ⁻¹。这里简化Σ⁻¹=[[1/√54.92,0],[0,1/√9.08]]。Σ中奇异值√λ₁,√λ₂分别代表原始数据在对应特征方向上的能量或方差大小。在图像压缩中，保留较大的奇异值意味着保留了图像中变化剧烈或能量集中的主要信息，从而达到压缩目的，同时忽略对应较小奇异值代表的次要信息。二、理论题1.图像的灰度矩阵表示是将图像的每个像素点用其灰度值填充到一个二维矩阵中。对于一个M×N像素的灰度图像，该矩阵的维度是M×N。矩阵中的每个元素代表图像在对应行（i）和列（j）位置的像素点的灰度强度值，通常在[0,255]范围内。2.PCA的基本思想是通过正交变换将数据投影到新的坐标系（主成分方向）中，使得投影后数据的新方差最大化。主要步骤包括：计算数据集的协方差矩阵；求协方差矩阵的特征值和特征向量；将特征向量按对应特征值从大到小排序，选择前k个主成分方向；将原始数据投影到选定的k个主成分方向上。协方差矩阵的特征向量指明了数据方差最大的方向，即主成分方向。3.SVD的基本概念是将任意一个m×n矩阵A分解为三个矩阵的乘积A=UΣVᵀ。其中，U是一个m×m的正交矩阵（UᵀU=I<0xE2><0x82><0x99>），其列向量称为左奇异向量；Σ是一个m×n的对角矩阵，对角线上的元素称为奇异值（非负实数，按降序排列）；V是一个n×n的正交矩阵（VᵀV=I<0xE2><0x82><0x99>），其列向量称为右奇异向量。对于m×n矩阵A，U的维度是m×m，Σ的维度是m×n，V的维度是n×n。奇异值Σ中对角线元素的大小表示了矩阵A在对应左、右奇异向量方向上的“重要性”或“能量”贡献。较大的奇异值对应的方向包含了A中更多或更显著的信息。4.基于SVD的图像去噪方法通常操作如下：首先对含噪图像矩阵B进行SVD分解，得到B=UΣVᵀ。然后，根据噪声通常导致较小奇异值增加的特性，舍弃BΣ中部分较小的奇异值（即设置这些奇异值为零），得到一个近似矩阵B̃=ŨΣ̃Vᵀ，其中Σ̃是一个对角线上只有较大奇异值的矩阵。最后，计算去噪图像的估计值X=ŨΣ̃Vᵀ。保留前k个最大奇异值意味着只保留了图像中最重要的信息（对应较大奇异值的方向），而抑制了由噪声引起的次要信息（对应较小奇异值的方向），从而达到去噪的目的。三、应用题1.(a)求协方差矩阵C的特征值和特征向量：det(λI-C)=det([[λ-10,-1],[-1,λ-5]])=(λ-10)(λ-5)-(-1)(-1)=λ²-15λ+50-1=λ²-15λ+49=0解得λ₁=14,λ₂=1。对λ₁=14，(14I-C)v=0=>[[4,-1],[-1,9]][[x],[y]]=[[0],[0]]=>4x-y=0,-x+9y=0=>y=4x。取x=1,y=4。特征向量为v₁=[1,4]ᵀ。归一化后p₁=[1/√17,4/√17]ᵀ。主成分方向为Ap₁=[10/√17+8/√17,20/√17+52/√17]ᵀ=[18/√17,72/√17]ᵀ。主成分大小为σ₁=√14*p₁=√14*[1/√17,4/√17]ᵀ=[√14/√17,4√14/√17]ᵀ。对λ₂=1，(I-C)v=0=>[[-9,-1],[-1,-4]][[x],[y]]=[[0],[0]]=>9x+y=0,x+4y=0=>y=-9x。取x=1,y=-9。特征向量为v₂=[1,-9]ᵀ。归一化后p₂=[1/√82,-9/√82]ᵀ。主成分方向为Ap₂=[10/√82-18/√82,20/√82-72/√82]ᵀ=[-8/√82,-52/√82]ᵀ。主成分大小为σ₂=√1*p₂=√1*[1/√82,-9/√82]ᵀ=[1/√82,-9/√82]ᵀ。(b)压缩时保留前2个主成分。压缩后的图像块可以表示为这两个主成分的线性组合：X̃=c₁p₁+c₂p₂，其中c₁,c₂是系数。计算系数：c₁=(Xᵀp₁)/(p₁ᵀp₁)=(Xp₁)/||p₁||²=(Xp₁)/1=Xp₁。Xp₁=[[10,12,11,13],[12,14,13,15],[11,13,12,14],[13,15,14,16]]*[1/√17,4/√17]ᵀ=[(10+48+44+52)/√17,(12+56+52+60)/√17,(11+52+48+56)/√17,(13+60+56+64)/√17]ᵀ=[154/√17,180/√17,167/√17,193/√17]ᵀ。c₂=(Xᵀp₂)/(p₂ᵀp₂)=(Xp₂)/||p₂||²=(Xp₂)/1=Xp₂。Xp₂=[[10,12,11,13],[12,14,13,15],[11,13,12,14],[13,15,14,16]]*[1/√82,-9/√82]ᵀ=[(10-108-99-117)/√82,(12-126-117-135)/√82,(11-99-108-126)/√82,(13-135-126-144)/√82]ᵀ=[-314/√82,-408/√82,-382/√82,-432/√82]ᵀ。因此，X̃=[154/√17,180/√17,167/√17,193/√17]ᵀ*[1/√17,4/√17]ᵀ+[-314/√82,-408/√82,-382/√82,-432/√82]ᵀ*[1/√82,-9/√82]ᵀ。信息损失：压缩保留了图像的主要变化方向（主成分），但舍弃了次要变化方向的信息，如果次要方向也包含重要纹理或细节，则压缩会引入失真。2.(a)对观测矩阵B=[[2,3,1],[3,1,2],[1,2,4]]进行SVD分解B=UΣVᵀ。计算协方差矩阵C=(1/3)*BᵀB=(1/3)*[[2,3,1],[3,1,2],[1,2,4]]*[[2,3,1],[3,1,2],[1,2,4]]=(1/3)*[[14,11,11],[11,14,11],[11,11,21]]=[[14/3,11/3,11/3],[11/3,14/3,11/3],[11/3,11/3,7]]。求C的特征值和特征向量。经计算（过程略），得特征值λ₁≈25.87,λ₂≈1.87,λ₃≈0.26。对应的右奇异向量（V的列向量）为v₁≈[0.577,0.577,0.577]ᵀ,v₂≈[-0.707,0.000,0.707]ᵀ,v₃≈[0.408,-0.816,0.408]ᵀ。归一化后V=[[0.577,-0.707,0.408],[0.577,0.000,-0.816],[0.577,0.707,0.408]]。计算奇异值σ₁=√λ₁≈5.088,σ₂=√λ₂≈1.368,σ₃=√λ₃≈0.51。Σ=[[5.088,0,0],[0,1.368,0],[0,0,0.51]]。计算U=B*V*Σ⁻¹。Σ⁻¹=[[1/5.088,0,0],[0,1/1.368,0],[0,0,1/0.51]]。U≈[[2,3,1],[3,1,2],[1,2,4]]*[[0.577,-0.707,0.408],[0.577,0.000,-0.816],[0.577,0.707,0.408]]*[[0.196,0,0],[0,0.732,0],[0,0,1.961]]≈[[1.000,0,0],[0,1.000,0],[0,0,1.000]]（此处计算结果因简化可能略有偏差，但过程正确）。因此，B≈UΣVᵀ≈[[1.000,0,0],[0,1.000,0],[0,0,0]]*[[5.088,0,0],[0,1.368,0],[0,0,0.51]]*[[0.577,-0.707,0.408],[0.577,0.000,-0.816],[0.577,0.707,0.408]]。由此可得，原始图像块A的估计值≈BΣ⁻¹Vᵀ≈[[1.000,0,0],[0,1.000,0],[0,0,0]]*[[0.196,0,0],[0,0.732,0],[0