数字图象处理11.pptVIP

* 发展方向 ? ? ? 智能选择。如果能够设计出一种算法，按照不同的图像分类识别任务，自适应地从原始特征中挑选出最优的特征子集，将具有非常深远的理论研究和实际应用价值。 ? 快速执行。如何生成快速算法，一是从算法本身出发，降低算法的时间复杂度；二是调整现有算法的结构，使用并行处理技术，加快算法的执行速度。 * * * * * * * * * Digital Image Processing 数字图像处理 E-MAIL:myao99@163.com * 第十一章 图像特征优化 * 11.1 概 述 * 概 述 定义： 图像特征优化是指对图像实施特征抽取之后，从大量的原始特征中挑选出对图像分类识别有效的，计算机能够处理和学习的“量少而质精”的特征子集的过程。 * 概 述 根据变换矩阵A获取途径的不同，图像特征优化大致可分为直接选择法和间接变换法两大类 ?直接选择法需要依据领域专家的经验知识或简单的数学分析方法，在满足可分离性判据最大的前提下，直接从原始特征中选取一组特征子集 ?间接变换法通过建立某种特定的映射（变换）关系，将处于高维空间中的原始特征映射到一个维数较低的特征空间中 * 12.2 基于选择的特征优化 * 可分离性判据 可分离性判据分类 ?基于类内/类间距离 ?基于概率分布 ?基于熵函数 * 可分离性判据 基于类内/类间距离的可分离性判据 (xk(i) ?Mi)( xk(i) ?Mi)T (11.2.1) (11.2.2) (11.2.3) * 搜索选择策略 可分离性判据分类 ?分支定界法 ?序列前向选择法 ?序列后向选择法 * 基于遗传算法的特征选择 * 11.3 基于统计分析的特征优化 * ?主成分分析（Principle Component Analysis, PCA） ?独立分量分析（Independent Component Analysis, ICA） ?线性判别分析（Linear Discriminant Analysis, LDA） ?多维尺度分析（Multi-Dimensional Scaling, MDS） 基于统计分析的特征优化常用方法 * 主成分分析 PCA算法的主要步骤如下： (1) 计算输入数据集X中样本点的均值向量： xi (2) 计算X中样本点的总体均值向量： * 主成分分析 (3) 计算X的协方差矩阵C： (4) 计算C的特征值λ1, λ2,..., λn，要求满足λ1?λ2?,..., ?λn，对应的正交归一化特征向量为e1, e2,..., en，则第p个主成分为： yp=epTx=ep,1x1+ep,2x2+…+ep,nxn, p=1,2,..,n C=((xi-M)T(xi-M))/(N-1), i=1,2,...,N * 独立分量分析 ?基本思想 从多个源信号的线性混合信号（观测信号）中，按照信号之间相互统计独立性的原则，利用优化准则分离出各个分量 ?数学模型 x=As+c * 线性判别分析 LDA算法的主要步骤如下： (1) 计算输入数据集X的类内散度矩阵SW (2) 计算输入数据集X的类间散度矩阵SB * 线性判别分析 (3) 利用特征值分解对角化SB，令U为SB的前m个非零特征值对应的特征向量，即UTSBU=DB，其中DB为对角矩阵 (4) 令A1=UDB-1/2且A1TSBA1=I，利用特征值分解对角化A1TSWA1， A2为A1TSWA1的前m个最小的特征值对应的特征向量 (5) 计算线性变换矩阵A=A1A2，得到m维的输出数据集Y={y1,y2,…,yN}，yi=(yi,1,yi,2,…,yi,m)(i=1,2,…,N) * 多维尺度分析 MDS算法的主要步骤如下： (1) 计算输入数据集X中任意两个样本点xi和xj之间的相似性度量di,j (i,j=1,2,…,N) (2) 根据式(11.3.12)计算误差函数，得到输出数据集Y的初始值 (3) 为得到最小化误差函数的Y，利用梯度下降法进行求解，通过不断地调整Y的值，直到Y的值未发生明显的变化为止 * 11.4 基于流形学习的特征优化 * 流形学习的基本原理 ? ? ?高维数据的属性之间常常存在着一定的规律性和相关性，这种现象直观上表现为高维空间中的样本点散布在低维空间中的一个流形上，这个流形揭示了样本点的特性，并且有着较低的固有维数。 ?基于这种假设，理论上只要针对有限的、离散的样本点进行学习，展开高维空间中呈折叠状的弯曲面，发现并揭示样本点之间潜在的拓扑结构，便能挖掘出隐含在低维流形中的有用信息。 基本原理 * 流形学习的基本原理 ? ? ?假定Y={y1,y2,…,yN