最近在讀SVD跟其應用，其中一個是影像壓縮。
步驟是把 m by n 圖像矩陣做SVD得到USV^T，
U is m by m, S is m by n, V^T is n by n.
然後取 U' is m by k, S' is k by k, V^T is k by n.
得到壓縮率為 mn/[k(1+m+n)]。
假設原圖為 600 ×402，那我 k 大概要取230左右才是一樣大小，
表示我花時間做 SVD 做影像壓縮結果並沒有很好，
而且 SVD 本身就是很花時間的演算法，
那用 SVD 做影像壓縮的意義何在呢??

chx64的1/2悖論真的很經典呢

比起其他壓縮，SVD壓縮相對比較注重原圖的特徵保存因此，當你的應用並不是單純只想節省空間然後圖片大概可以看就好，而是比較強調壓小了之後還是能保存主要特徵的話，SVD壓縮可能相對符合需求

所謂保持特徵有什麼例子嗎？

深度學習有很好的作用，等於少算幾個 維度，很節省計算量

CNN的特徵萃取是使用max pooling

SVD壓縮矩陣rank要夠小才有用 不能跟min(m,n)差不多在無損的情況下