霍特林变换.pptVIP

Company name LOGO 霍特林变换 主成分变换 主要内容 1. 霍特林变换的定义 2.霍特林变换的意义 3.霍特林变换的性质 4. 霍特林变换的应用 霍特林变换的定义 霍特林变换的定义： 霍特林变换也常称为主成分变换(PCA)或K—L变换，有时也称为特征值变换。是一种基于图像统计特性的变换，它的协方差矩阵除对角线以外的元素都是零，消除了数据之间的相关性，从而在信息压缩方面起着重要作用。 霍特林变换的目的是寻找任意统计分布的数据集合的主要分量的子集。相应的奇向量组满足正交性且由它定义的子空间最优的考虑了数据的相关性。将原始数据集合变换到主分量空间使单一数据样本的互相关性降低到最低点。 霍特林变换 1）思想 目的是寻找任意统计分布的数据集合主要分量的子集。 基向量满足相互正交性，且由它定义的空间最优的考虑了数据的相关性。 将原始数据集合变换到主分量空间使单一数据样本的互相关性(cross-correlation)降低到最低点。 霍特林变换 2）特征分析 特征值 霍特林变换 通常将特征值按降序排列。 特征向量 霍特林变换 3）主成分分析及一维K-L变换 一种可以去掉随机向量中各元素间相关性的线性变换。 STEP1：定义协方差矩阵。 霍特林变换 霍特林变换 STEP2：求协方差矩阵的特征值和特征向量。 STEP3：定义变换核矩阵和反变换。 霍特林变换 4）霍特林变换的性质 霍特林变换 霍特林变换 霍特林变换 5）图像霍特林变换 思想：将二维图像采用行堆叠或列堆叠转换为一维处理。 霍特林变换 霍特林变换 6）基于霍特林变换的特征脸识别方法 （1）脸的检测 霍特林变换 （2）特征脸 （3）分类 将待识别人脸投影到新的M维人脸空间，即用一系列特征脸的线性加权和表示。此时待识别人脸问题转换为投影系数向量，识别问题转换为分类问题。最简单的分类是最小距离分类等。 霍特林变换 霍特林变换 1）K-L变换用于图像数据压缩 Company name 霍特林变换 Company name LOGO