第九章基于k-l展开式的特征提取.pptVIP

K－L变换的一些典型应用 以人脸图象这个例子看，K-L变换的降维效果是十分明显的。对一幅人脸图象，如果它由M行与N列象素组成，则原始的特征空间维数就应为M×N。而如果在K-L变换以后只用到30个基，那么维数就降至30，由此可见降维的效果是极其明显的。 另一方面降维与数据压缩又是紧密联系在一起的。譬如原训练样本集的数量为V，而现采用30个基，每个基实质上是一幅图象，再加上每幅图像的描述参数，数据量是大大降低，尤其是图象数很大时，压缩量是十分明显的。 1．降维与压缩 K－L变换的一些典型应用 使用K-L变换不仅仅起到降维与压缩数据的作用，更重要的是每个描述量都有明确的意义，因而改变某一个参数就可让图象按所需要的方向变化。在没有使用K-L变换的原数据集中对图象的描述量是每个象素的灰度值，而孤立地改变某个象素的灰度值是没有意义的。 而在使用K-L变换后，每个描述量都有其各自的作用。因此通过改变这些参数的值就可实现对模型的有效描述，这在图象生成中是很有用的。因此利用K-L变换构造出可控制的，连续可调的参数模型，这在人脸识别与人脸图象重构采方面的应用是十分有效的。 2．构造参数模型 K－L变换的一些典型应用 图像重构 K－L变换的一些典型应用 利用K-L变换进行人脸图象识别是一个著名的方法。其原理： 首先搜集要识别的人的人脸图象，建立人脸图象库； 利用K-L变换确定相应的人脸基图象， 再反过来用这些基图象对人脸图象库中的人脸图象进行K-L变换，从而得到每幅图象的参数向量，并将每幅图的参数向量存起来。 在识别时，先对一张所输入的脸图象进行必要的规范化，再进行K-L变换分析，得到其参数向量。 将这个参数向量与库中每幅图的参数向量进行比较，找到最相似的参数向量，也就等于找到最相似的人脸，从而认为所输入的人脸图象就是库内该人的一张人脸, 完成了识别过程。 3．人脸识别 K－L变换的一些典型应用 4．人脸图象合成 用K-L变换构造参数模型的另一种典型用途是人脸图象合成。从下面的例子中可以看出，有目的地控制各个分量的比例，也就是通过调整参数向量。可以将一幅不带表情图象改变成带各种表情的图象，称为人脸表情图象合成。 下图为生成各种表情图象的示例。 K－L变换的一些典型应用 K－L变换总结： §9.4 本章小结 压缩特征空间的两种方法: 特征提取 特征选择 基于距离的可分性判据 基于K-L展开式的特征提取 * 模式识别 第九章特征的选择与提取 回顾： 两类提取有效信息、压缩特征空间的方法： 特征提取 (extraction)：用映射（或变换）的方法把原始特征变换为较少的新特征 特征选择(selection) ：从原始特征中挑选出一些最有代表性，分类性能最好的特征 常见类别可分离性判据： － 基于距离的可分性判据 － 基于概率密度分布的判据 9.3 基于K－L展开式的特征提取 K-L变换，是一种常用的正交变换，K-L变换常用来作为数据压缩，这里我们用它作降维。 学习这一节主要要掌握以下几个问题： 1．什么是正交变换； 2．K-L变换是一种最佳的正交变换，要弄清是什么意义的最佳，也就是说它最佳的定义； 3．K-L变换的性质； 4．K-L变换的重要应用。 §9.3 基于K－L展开式的特征提取 正交变换概念 变换是一种工具，它的用途归根结底是用来描述事物，特别是描述信号用的。例如我们看到一个复杂的时序信号，希望能够对它进行描述。描述事物的基本方法之一是将复杂的事物化成简单事物的组合, 或对其进行分解，分析其组成的成分。 例如对一波形，我们希望知道它是快速变化的(高频)，还是缓慢变化的(低频)，或是一成不变的(常量)。如果它既有快速变化的成分，又有缓慢变化的成分，又有常量部分，那么我们往往希望将它的成分析取出来。这时我们就要用到变换。 §9.3 基于K－L展开式的特征提取 正交变换概念 变换的实质是一套度量用的工具，例如用大尺子度量大的东西，用小尺子度量小的东西，在信号处理中用高频，低频或常量来衡量一个信号中的各种不同成分。对某一套完整的工具就称为某种变换。 如傅里叶变换就是用一套随时间正弦、余弦变化的信号作为度量工具，这些正弦，余弦信号的频率是各不相同的，才能度量出信号中相应的不同频率成分。 §9.3 基于K－L展开式的特征提取 图6-1 图6-2a 图6-2b 例如，图6-1中的信号只有一个单一频率的简谐信号，而图6-2(a)中信号就不是一个简谐信号所描述的，它起码可以分解成图6-2中的两个成分，一是基波，另一是三次谐波。 §9.3 基于K－L