Aufbauend auf dem Verständnis von Matrixoperationen und der Singulärwertzerlegung (SVD) bist du bereit, diese Konzepte in einem praxisnahen Szenario anzuwenden: Bildkompression. SVD ist ein leistungsfähiges Werkzeug zur Reduzierung der Dimensionalität von Daten und wird häufig in der Bildverarbeitung eingesetzt, um Bilder zu komprimieren und dabei möglichst viele Originalinformationen zu erhalten. In dieser Aufgabe wird `scipy.linalg.svd` verwendet, um eine Graustufen-Bildmatrix durch Kürzen ihrer Singulärwerte zu komprimieren und anschließend das Bild aus den reduzierten Daten zu rekonstruieren. Dieser Ansatz zeigt, wie SVD die Bildqualität und Speichereffizienz ausbalancieren kann.


import unittest
import user_code
import ast
import re   
import unittest
import numpy as np
from scipy.linalg import svd
import importlib

class TestTask(unittest.TestCase):
    def test_return_shape(self):
        import user_code
        importlib.reload(user_code)
        image = np.random.rand(8, 6)
        k = 3
        compressed = user_code.compress_image_svd(image, k)
        _dynamic_test(
            self,
            isinstance(compressed, np.ndarray) and compressed.shape == image.shape,
            "Returned matrix has the same shape as input image.",
            f"Expected shape {image.shape}, got {getattr(compressed, 'shape', None)}."
        )

    def test_top_k_reconstruction(self):
        import user_code
        importlib.reload(user_code)
        np.random.seed(0)
        image = np.random.rand(5, 5)
        k = 2
        U, S, VT = svd(image, full_matrices=False)
        U_k = U[:, :k]
        S_k = np.diag(S[:k])
        VT_k = VT[:k, :]
        expected = U_k @ S_k @ VT_k
        actual = user_code.compress_image_svd(image, k)
        _dynamic_test(
            self,
            np.allclose(actual, expected),
            "Matrix reconstructed correctly using top k singular values.",
            "Reconstructed matrix does not match expected result using top k singular values."
        )

    def test_full_rank_reconstruction(self):
        import user_code
        importlib.reload(user_code)
        np.random.seed(1)
        image = np.random.rand(7, 7)
        U, S, VT = svd(image, full_matrices=False)
        full_rank = np.linalg.matrix_rank(image)
        compressed = user_code.compress_image_svd(image, full_rank)
        _dynamic_test(
            self,
            np.allclose(compressed, image),
            "Full-rank SVD reconstruction matches original image.",
            "Full-rank SVD reconstruction does not match original image."
        )

    def test_low_rank_approximation(self):
        import user_code
        importlib.reload(user_code)
        np.random.seed(2)
        image = np.random.rand(10, 10)
        k = 1
        compressed = user_code.compress_image_svd(image, k)
        # Should be a low-rank approximation, not equal to original
        _dynamic_test(
            self,
            not np.allclose(compressed, image),
            "Low-rank approximation does not exactly match original image (as expected).",
            "Low-rank approximation should not exactly match original image."
        )
        # Should be closer to original than a zero matrix
        zero_approx = np.zeros_like(image)
        orig_norm = np.linalg.norm(image - compressed)
        zero_norm = np.linalg.norm(image - zero_approx)
        _dynamic_test(
            self,
            orig_norm < zero_norm,
            "Low-rank approximation is closer to the original than a zero matrix.",
            "Low-rank approximation is not closer to the original than a zero matrix."
        )

    def test_handles_rectangular(self):
        import user_code
        importlib.reload(user_code)
        np.random.seed(3)
        image = np.random.rand(12, 8)
        k = 4
        compressed = user_code.compress_image_svd(image, k)
        _dynamic_test(
            self,
            isinstance(compressed, np.ndarray) and compressed.shape == image.shape,
            "Handles rectangular matrices and returns correct shape.",
            f"Expected shape {image.shape}, got {getattr(compressed, 'shape', None)}."
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\s{2,}", " ", text)
    text = re.sub(r"\s*([,:?])\s*", r"\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    for i, node in enumerate(tree.body):
        if isinstance(node, ast.Assign):
            for target in node.targets:
                if isinstance(target, ast.Name) and target.id == var_name:
                    start_line = node.lineno - 1
                    line = lines[start_line]
                    indent = ' ' * (len(line) - len(line.lstrip()))
                    lines[start_line] = f"{indent}{var_name} = {value}"
                    next_line = len(lines)
                    for next_node in tree.body[i+1:]:
                        if hasattr(next_node, 'lineno'):
                            next_line = next_node.lineno - 1
                            break
                    if next_line > start_line + 1:
                        lines[start_line+1:next_line] = []
                    
                    return '\\n'.join(lines)
    return code

if __name__ == "__main__":
    unittest.main()


test_main.py

Ein umfassender Kurs, der für Studierende mit fundierten Mathematikkenntnissen und fortgeschrittenen Python-Kenntnissen konzipiert ist und sich auf die Nutzung von SciPy für wissenschaftliches Rechnen, Optimierung, Integration und fortgeschrittene mathematische Operationen konzentriert.

Erkunden Sie die Struktur, Kernmodule und wesentlichen Funktionen von SciPy für wissenschaftliches Rechnen.

Tauchen Sie ein in die leistungsstarken linearen Algebra-Funktionen von SciPy zur Lösung realer mathematischer Probleme.

Beherrschung von Optimierungstechniken und Nullstellenalgorithmen mit SciPy für wissenschaftliche und technische Fragestellungen.

Erkunden Sie fortgeschrittene mathematische Operationen wie Integration, Interpolation und grundlegende Signalverarbeitung mit SciPy.

Herausforderung: SVD für Bildkomprimierung

Lösung