多块PCA的图像变化检测方法.docVIP

多块PCA的图像变化检测方法 二秋一，五，普里b，大肠杆菌佩里耶1，澳Mongac 1 Geode生产，研究所争取发展，脊髓灰质炎，邦迪，法国 b各国实验室模式识别的中国科学院自动化研究所 研究所，北京100080，中国 ?税务局，巴黎，法国 qiu@bondy.ird.fr 抽象 主成分分析法（PCA）已被广泛 采用该数据集降维， 分类，特征提取等，已 加上新兴市场如许多其他算法 （期望的最大化），人工神经网络（人工神经 网络），概率模型，统计分析等， ，有其自身的发展，如MPCA（移动 常设仲裁法院），硕士，主成分分析（多尺度主元分析）等 常设仲裁法院和其衍生物 - 有一个广泛的 从人脸检测的应用，改变分析。 从主成分分析检测显示更改但主 困难，即结果的解释。在本文中，一 开发新的PCA方法，即MB的，常设仲裁法院（多 座主成分分析），为了克服这个问题。 实验结果表明该利息 作为一种新的方式方法，利用主成分分析。 关键词：多座，主成分分析，变化检测 1。介绍 主成分分析（PCA）是一种广泛使用 数据压缩技术和信息 提取[1] [2] [3] [4]。随着线性假设 数据集，主成分分析发现的变量的线性组合 描述数据集的主要趋势。它已被广泛 用于许多领域，如分类，减少 数据集，特征提取等，而它的一个 应用领域有这样的变化检测。 变化检测是一种常见的和富有挑战性的课题 在图像处理。它经常用于监视 系统，图像序列分析，监控系统， 卫星图像分析等[5] [6]。而一般来说，是 结合分割或问题 分类。 高效率的技术来分析多时相的变化 卫星图像是非常重要的许多应用 例如问题：城市发展，环境和 农业监测[7] [8] [9] [10] [11] [12]。 我们的项目是洪水预报和土地覆盖的一部分 使用在越南红河三角洲地区。我们 试图找出一些地区的卫星改变 图像之间的差别比较潮湿 季节和干燥的。在这方面有一些 之前文献[13] [14] [15]和一些研究人员使用 主成分分析的图像。但似乎很难给 一些很好的和明确的解释，用主成分分析 分析直接变化检测。通过引入 多块PCA方法，我们可以有更好的观点 使结果更清晰。 2。基于PCA方法一般概述 2.1主成分分析技术 由于一组图片，一般是常设仲裁法院的框架 如下： 1）转换成一个向量每个形象。 每个图像二期都有一个关联的强度矩阵米，对 大小nxm，其中每个元素是指强度 相应的像素。然后，每个矩阵宓是重塑 到一个载体希，量（N X米）× 1。如果我们有 完全n设定的图片，我们可以有n设定向量，然后 他们结合成一个矩阵所有：阿=（X1的，...，Xnset），其 大小为（nxm）× n设定，其中的列向量 十一。然后将进行主成分分析在这个矩阵A 2）计算过程。 一般来说PCA的框架内，我们使用Z =阿拉木图，其大小 是n设定x n设定。因此，我们可以得到它的特征值λi中，（i[1， nrank]），和特征向量 - 即载入载体六，（我[1， nrank]）。 nrank是A和n设定≥排名nrank（当n设定= nrank，Z是称为全秩矩阵）。 然后A可写入的线性组合 的VI： ??= = =秩 ? 我 吨 六 吨 阿电视台 1我 吨（式1） 其中， 钛=阿维中，（i[1，nrank]） ? =影音（五= [V1的... nrank五]）隐藏的关系是： 六 南军=??吨交叉路，体 吨勺=??ijλi，λi六 吨=体 吨甲 从圣言的（奇异值分解）的看法， 我们可以得到： 吨 六 我 体 我 吨 uivi 吨 阿UDV nrank nrank ??= =??= = = 1一1 D（式2） 其中，U的列的学能测验的特征向量，和V的 列的ATA特征向量，而D是对角 矩阵的对角线元素迪，奇异值， 这都是eigencalues阿拉木图λi的平方根。 3）关于基本矩阵。 由于既不意味着定心，也不是缩放 执行（请参考平均为核心 缩放方法），该方法需要的向上 平均粒径考虑。因此，我们使用的协方差 矩阵Acov的输入数据集或相关矩阵 阿索尔而不是用Z =阿拉木图。 Acov和雕有大小n设定x n设定都一样Z和 其内容分别定义： ?（i和j）[1，n设定] × [1，n设定] （，）（，）Acov我j =乔夫郗X j ）（（）） 一 （（） 一 一 郗X j长x j 纳米 升 郗升 纳米 - - ??= - =（式3） （）。 （） （） （）（）