
Projeto final de Computação Científica e Análise de Dados (UFRJ, 2026.1). A ideia era tornar visível o que os teoremas dizem: por que truncar a SVD nos k maiores valores singulares dá a melhor aproximação possível da imagem.
Interface, API, implementação numérica e a página de teoria com as fórmulas.
Processamento no backend
NumPy e SciPy (SVD truncada via ARPACK) calculam a decomposição por canal RGB e devolvem a imagem reconstruída para cada k.
Compressão por região
O usuário seleciona uma área com o mouse e escolhe entre SVD global com máscara ou SVD por blocos de 128×128.
Teoria × medida
A tela de análise compara o erro previsto pela norma de Frobenius com o medido pixel a pixel, e mostra a instabilidade de calcular σ via √λ(AᵀA).
Três telas (Compressor, Análise e Teoria) e sete endpoints. Nos gráficos, a SVD fica sempre abaixo das alternativas, comprovando a otimalidade do teorema.