第5讲图像变换2离散余弦变换.pptVIP

3. 2 离散余弦变换;3.2.1 离散余弦变换的定义 ;式中 是第 个余弦变换系数， 是广义频率变量， ； 是时域N点序列， ;二维离散余弦变换的定义由下式表示;式(3—77)是正变换公式。其中 是空间域二维向量之元素。 ， 是变换系数阵列之元素。式中表示的阵列为N ×N ; 二维离散余弦反变换由下式表示;7;8;9;余弦变换与傅里叶变换有什么关系？;式中的符号意义同正变换式一样。式(3—77)和式(3—78)是离散余弦变换的解析式定义。更为简洁的定义方法是采用矩阵式定义。如果令N＝4，那么由一维解析式定义可得如下展开式;写成矩阵式;同理，可得到反变换展开式;即 ;3.2.2 离散余弦变换的正交性 ;在高等数学中，切比雪夫多项式的定义为;式中 是 和 的多项式。它的第N个多项式为; 显然，这与一维DCT的基向量是一致的。因为切比雪夫多项式是正交的，所以DCT也是正交的。另外，离散余弦变换的正交性也可以通过实例看出。如前所示，当N＝４时，;显然 ;3.2.3 离散余弦变换的计算; (3—89) ;式中 是取其实部的意思。如果把时域数据向量作下列延拓，即：;(3—91) ;由式(3—91)可见; 同样道理，在作反变换时，首先在变换空间，把 作如下下延拓 ;(3—93) ; 由式(3—93)可见，离散余弦反变换可以从 的2N点反傅里叶变换实现。;3.3 离散K-L变换;;图像协方差矩阵;;X向量的协方差矩阵CX定义为;直接求矩阵 CX的特征值和特征向量很困难。这是因为CX是N2×N2维矩阵，尽管图像的大小N可能不是很大的，但N2却是很大的数据。这样求其特征向量和特征值速度较慢。但如果样本图象个数M不太多，可以先计算出M×M维方阵L＝ATA的特征值μk和特征向量 vk;K-L变换的性质和特点;（3）对角性;X1;K-L变换的最大优点是去相关性好，可用于数据压缩和图像旋转 主要困难是由于协方差矩阵CX求特征值λ和特征向量解方程的计算量大，同时K-L变换是非分离的，二维不可分，一般情况下，K-L变换没有快速算法;实例;图像的归一化;1、进行图像旋转，以使Er和El的连线ErEl保持水平。这保证了人脸方向的一致性，体现了人脸在图像平面内的旋转不变性;经过校准，不仅在一定程度上获得了人脸表示的几何不变性，而且还基本上消除了头发和背景的干扰。;K-L变换;设A是一秩为r的n×r维矩阵，则存在两个正交矩阵：;由于∑可表示为：;将特征值从大到小排序：λ0≥ λ1≥… ≥ λr-1，其对应的特征向量为ui。这样，每一幅人脸图像都可以投影到由u0,u1…,uM-1张成的子空间中。因此每一幅人脸图像对应于子空间中的一个点，同样，子空间中的任一点也对应于一幅图像;特征脸;对于任一待识别样本f，可通过向“特征脸”子空间投影求出其系数向量： y=Utf 其重建图像 f^=Uy 考虑重建图像的信噪比 RSN=10lg(||f||2/||f-f^||2) 若其小于阈值，则 可判断f不是人脸图像。