主成分變換和mnf變換(編輯修改稿)
2025-08-22 13:14 本頁面
【文章內(nèi)容簡介】 ,圖象 在所有相應(yīng)特征向量方向的投影就稱之為主成分變換 . PCA的特點 ?主成分是原變量的線性組合 ?各個主成分之間互不相關(guān) ?主成分按照方差從大到小依次排列 ,第一主成分對應(yīng)最大方差 (特征值 ) ?每個主成分的均值為 0,方差為協(xié)方差矩陣對應(yīng)特征值 ?方差大代表信息量多 ,方差小代表信息量少 . PCA的幾個例子 ?模擬數(shù)據(jù) (隨機生成不同形狀數(shù)據(jù) ) ?圖象數(shù)據(jù) (特征值曲線 ,信息的認識 (分布結(jié)構(gòu) )信息量的認識 ,最大最小主成分 ) PCA:幾個問題 ? PCA是正交變換么 ?為什么 ? ? PCA可以保持圖象在特征空間的結(jié)構(gòu)么 ?為什么 ? ? PCA會造成數(shù)據(jù)信息損失么 ? ?協(xié)方差矩陣的性質(zhì)和含義 ? ? PCA變換矩陣的含義 ? ? PCA在遙感圖象處理中的問題 ?(噪聲，演示 ) MNF ?算法描述 MNF 將上述變換矩陣作用于圖象即為 MNF變換 . 注 :MNF算子為
外語相關(guān)推薦
鄂ICP備17016276號-1