dip-8圖像分割和識別-資料下載頁
2024-12-07 21:50本頁面
【正文】 函數(shù) MATLAB里可以通過 wfilters函數(shù)得到濾波器系數(shù) 常用小波基： Daubechies 系列、 Symlet 系列、 biorN 系列等 高通濾波器 低通濾波器 42 小波變換 ? 二維小波分解算法 *1*1*1*1( 0 , 1 , .. ., 1 )jjhjjvjjdjjC H C HD G C HjJD H C GD G C G????? ???????????J為分解層數(shù)， h， v， d分別表示水平、垂直和對角分量 43 小波變換 低 通 下 采 樣低 通 下 采 樣高 通 下 采 樣高 通 下 采 樣低 通 下 采 樣高 通 下 采 樣行 濾 波行 濾 波列 濾 波列 濾 波列 濾 波列 濾 波c Ajc Aj + 1c Dj + 1（ h ）c Dj + 1（ v ）c Dj + 1（ d ）44 小波變換 ? 一次小波分解結(jié)果 45 特征選擇 ? 為什么要進(jìn)行特征選擇 維數(shù)災(zāi)難 進(jìn)一步提取特征 ? 常用特征選擇方法 PCA（主成分分析） LDA（線性判別分析） ICA（獨(dú)立成分分析） KPCA（核主成分分析） KDA（廣義線性判別分析）等 46 特征選擇 ? 主成分分析（ Principal Components Analysis，即 PCA，也稱作 KL變換），是圖像壓縮中的一種最優(yōu)正交變換 ? 特點： 將數(shù)據(jù)投影到方差最大的方向 各個主成分之間是正交的 47 特征選擇 ? PCA示意圖 48 特征選擇 ? PCA的實現(xiàn) 求協(xié)方差矩陣 特征值分解 挑選主成分 投影 101 ( ) ( )M TiiiC x xM????? ? ??j j jCu u??12 ... 0m? ? ?? ? ? ?Ty U X?PCA與最小二乘法？ 49 特征選擇 ? PCA的缺點 線性方法，不適合非線性分類問題 基于特征值的求解，計算量可能比較大 無監(jiān)督的學(xué)習(xí)，不區(qū)分類內(nèi)差異和類間差異 50 特征選擇 ? 線性判別分析（ Linear Discriminant Analysis） – 源于 （ 1936年）的經(jīng)典論文 – 投影后的模式樣本的類間離散度最大而類內(nèi)離散度最小 ()TBTWw S wJww S w?Fisher判別準(zhǔn)則 51 特征選擇 ()TBTWw S wJww S w?,11( ) ( )cNCTW c i c c i cciS x x????? ? ???1( ) ( )CTB c c ccSN ? ? ? ??? ? ??1WBS S w w?? ?拉格朗日乘數(shù)法 Ty w X?52 特征選擇 ? 例子 53 特征選擇 ? LDA的特點 有監(jiān)督的學(xué)習(xí) 線性方法，不適合非線性分類問題 需要求逆，會遇到小樣本問題（輸入樣本的維數(shù)遠(yuǎn)大于樣本的個數(shù)，類內(nèi)離散度矩陣不可逆 ） 54 特征選擇 ? KPCA和 KDA – 基于核映射的非線性方法 原始特征 PCA LDA KPCA KDA 55 謝謝
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1