最近在读SVD跟其应用，其中一个是影像压缩。
步骤是把 m by n 图像矩阵做SVD得到USV^T，
U is m by m, S is m by n, V^T is n by n.
然后取 U' is m by k, S' is k by k, V^T is k by n.
得到压缩率为 mn/[k(1+m+n)]。
假设原图为 600 ×402，那我 k 大概要取230左右才是一样大小，
表示我花时间做 SVD 做影像压缩结果并没有很好，
而且 SVD 本身就是很花时间的算法，
那用 SVD 做影像压缩的意义何在呢??

chx64的1/2悖论真的很经典呢

比起其他压缩，SVD压缩相对比较注重原图的特征保存因此，当你的应用并不是单纯只想节省空间然后图片大概可以看就好，而是比较强调压小了之后还是能保存主要特征的话，SVD压缩可能相对符合需求

所谓保持特征有什么例子吗？

深度学习有很好的作用，等于少算几个 维度，很节省计算量

CNN的特征萃取是使用max pooling

SVD压缩矩阵rank要够小才有用 不能跟min(m,n)差不多在无损的情况下