Med utgangspunkt i forståelsen av matriseoperasjoner og singulærverdidekomponering (SVD), er du nå klar til å anvende disse konseptene i et praktisk scenario: bildekomprimering. SVD er et kraftig verktøy for å redusere datadimensjonalitet, og det brukes mye innen bildebehandling for å komprimere bilder samtidig som mest mulig av den opprinnelige informasjonen bevares. I denne utfordringen skal du bruke `scipy.linalg.svd` til å komprimere en gråtonebildematrise ved å trunkere dens singulærverdier, og deretter rekonstruere bildet fra de reduserte dataene. Denne metoden viser hvordan SVD kan balansere bildekvalitet og lagringseffektivitet.


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

Et omfattende kurs utviklet for studenter med solid matematisk bakgrunn og middels til avanserte Python-ferdigheter, med fokus på å utnytte SciPy for vitenskapelig databehandling, optimalisering, integrasjon og avanserte matematiske operasjoner.

Utforsk strukturen, kjernemodulene og essensielle funksjoner i SciPy for vitenskapelig databehandling.

Fordyp deg i SciPys kraftige lineær algebra-funksjoner for å løse matematiske problemer fra virkeligheten.

Bli ekspert på optimaliseringsteknikker og rotfinningsalgoritmer ved bruk av SciPy for vitenskapelige og tekniske problemer.

Utforsk avanserte matematiske operasjoner inkludert integrasjon, interpolasjon og grunnleggende signalbehandling med SciPy.

Utfordring: SVD for bildekomprimering

Løsning