数学上,任一的离散线性转换皆可表示成矩阵(Matrix) 的型式:
再进一步假设,若矩阵 by正交基底 (Orthogonal basis) 列向量(Row vector) 所组成:
也可表示成级数和形式(Summation form):
其中代表内积运算(Inner product)。
同理也可假设,若矩阵 by正交基底行向量(Column vector) 所组成:
也可表示成级数和:
假若时,则可得
大致上,可简单化将矩阵分类由(a)列向量(Row Vector)或(b)行向量(Column Vector)所组成。
正交矩阵by列向量:
若
其中, 和 为一组列向量的正交集合且称 为一种离散正交转换。
再者,若满足 。则 和 将组成一组列向量的正规化正交集合且称 为一种离散正规化正交转换。
此时,我们可利用 和 来求得 的反矩阵:
其中 。再者,也可表示成级数和(Summation)形式:
若 ,即简化成,
正交矩阵by行向量:
若
其中, 和 为一组行向量的正交集合且也称 是一种离散正交转换。
再者,若满足 。则 和 将组成一组行向量的正规化正交集合且称 为一种离散正规化正交转换。
此时,我们再利用 和 来组成 的反矩阵:
其中 。再者,也可表示成级数和:
若 ,即简化成,
通常对于影像重建或压缩上大都采用局部重建(Parital reconstruction)的机制,即:
(a) 正交情况下
因此,对于局部重建所产生的平方误差(Sqaure error):
从此结果可发现 必定为正的,因此可借由增加正交基底数来改善影像重建后的平方误差值。
(b)非正交情况下
因此,对于局部重建所产生的平方误差:
从此结果可发现 不一定为正的,所以无法利用增加基底数来改善平方误差。