João Victor Borges
Compressão de imagens por SVD
Contexto e problema

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.

Meu papel

Interface, API, implementação numérica e a página de teoria com as fórmulas.

Stack
PythonFastAPINumPySciPyPillowReact 18TypeScriptChart.jsKaTeX
Decisões técnicas
01

Processamento no backend

NumPy e SciPy (SVD truncada via ARPACK) calculam a decomposição por canal RGB e devolvem a imagem reconstruída para cada k.

02

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.

03

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).

Galeria de telas
compressor
análise
teoria
Resultado

Três telas (Compressor, Análise e Teoria) e sete endpoints. Nos gráficos, a SVD fica sempre abaixo das alternativas, comprovando a otimalidade do teorema.