第五讲图像变换2离散余弦变换-1.ppt

二维离散余弦反变换由下式表示 余弦变换与傅里叶变换有什么关系？ 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， (3—89) 同样道理，在作反变换时，首先在变换空间，把 作如下下延拓 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 又称为霍特林(Hotelling)变换 KL(Karhunen-Loeve)或DKT 以图像的统计性质为基础的 变换核矩阵由图像阵列的协方差矩阵的特征值和特征向量所决定－又称为特征向量变换 当变量之间存在一定的相关关系时，可以通过原始变量的线性组合，构成数目较少的不相关的新变量代替原始变量，而每个新变量都含有尽量多的原始变量的信息。这种处理问题的方法，叫做主成分分析，新变量叫做原始变量的主成分。 目的是寻找任意统计分布的数据集合之主要分量的子集。相应的基向量组满足正交性且由它定义的子空间最优地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。 图像协方差矩阵 问题是：如何选取一个合适的正交变换A，使得变换后的图像Y=AX 1)是具有MN2个分量的向量 2)由Y经反变换而恢复的 (向量X的估值)和原始图像具有最小的均方误差，即 X向量的协方差矩阵CX定义为 K-L变换的性质和特点 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 K-L变换 设ei和λi是协方差矩阵CX对应的特征向量和特征值，将特征值按减序排列，即 则K-L变换核矩阵A的行用CX的特征值λi所对应的特征向量ei构成： 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 左乘矩阵A，则有 是矩阵CX的 特征向量 可以选择P(P≤M)个较大特征值对应的特征向量（主成分），构造新的P维主成分空间Q 因为CX是实对称矩阵，总能找到一个标准正交的特征向量集合，使A-1=AT，那么可得K-L反变换为 （1）Y的平均值向量my＝0，即为零向量0 （2）Y向量的协方差 （3）对角性 对角线上的元素是原始图像向量的协方差矩阵CX对应的特征值λi，它也是Y向量的方差。而非对角线上的元素值为0，说明Y向量中各元素之间相关性小，而CX的非对角线上元素不为0，说明原始图像元素之间相关性强，这就是采用K-L变换进行编码，数据压缩比大的原因 显然K-L坐标系将矩阵CX对角化了，换句话说，通过K-L变换，消除了原有向量X的各分量之间的相关性，从而可能去掉那些带有较少信息的坐标轴，以达到降低特征空间维数的目的。 X1 X2 e 1 e 2 在原来坐标系中，要用两个分量X1,X2来表示各个样本，而在K-L坐标系中，只要用e1就可以，去掉e2并不会带来很大的误差 假设矩阵CX只有少数几个数值大的特征值，而其余的特征值数值很小，K-L坐标系就可以有效的进行信息压缩 以K-L变换进行自动的人脸识别为例说明 我们把一幅数字图像看成一个矩阵或一个数组，用B(i,j)或[bij] 表示，一幅N×N大小的人脸图像按列相连构成一个N2维矢量 x=( b11 b21…bN1 b12b22…bN2 …b1N b2N…bNN) 它可视为N2维空间中的一个点，假设N=128。由于人脸结构的相似性，当把很多这样的人脸图像归一化之后，这些图像在这一超高维空间中不是随机或散乱分布的，而是存在某种规律，因此可以通过K-L变换用一个低维子空间描述人脸图像，同时又能保存所需要的识别信息 对于一个全自动的人脸识别系统，其首要的工作是人脸图