[生物学]数字图像33DIP.ppt

Walsh变换核特点: （1）变换核可由哈达玛变换核间接得到（间接递推）； （2）变换矩阵为实的正交对称矩阵； （3）行（或列）变号次数按自然定序（由小到大）排列。 2D—DWT的矩阵表示形式： 反变换： 2D--DWT 2D-DHT-DWT特点: （1）都是可分离的正交变换。 （2）都是实函数变换。 （3）正反变换形式完全相同。 （4）变换核中不存在正、余弦函数，所以用计算机计算时，不会因字长有限而产生附加噪声。 （5）由于是正交变换，具有很好的能量集中作用。 1、求 的沃尔什变换和哈达玛变换 2、求 的沃尔什变换和哈达玛变换 举例 假定一幅图像在某信道中传输了L次，由于任何物理信道都存在随机干扰因素，接收的图像序列总存在随机成分，称之为随机图像集合。集合中的图像相关但不相等。 K-L变换本质上就是针对这类随机图像提出的。当对L个图像施加了K-L变换后的L个新图像不相关。 K_L变换 把刚才的图像集合表示为： 把集合中的每个每个图像进行拉直： 图像的统计参数 图像 向量的协方差阵定义为 式中 是 的均值向量， 表示求统计平均。 在 帧图像样本组成的集合中，可用如下两式近似，求得 和 ： 其中，均值向量 是 维的列向量，方差向量是 维的矩阵。 3.6.2 Cf的特征值和特征向量 1．Cf的特征值 对于 的矩阵 ，有 个标量 ， 能使 其中， 称作矩阵 的特征值。 2．Cf的特征向量 重新排列特征值，使得 若设 是 的 维特征向量，则有 ， 因此 是一实对称方阵，则一定存在有 个互为正交的实 特征向量 ，构成一个 维的完备正交向量集。 3.6.3 离散K-L变换及其性质 对各特征向量 进行归一化处理后，就得到了K-L变换的变 换矩阵 。 （ 阶的正交矩阵） 其中，特征向量 归一化的过程为： ， 且有 到此，离散K-L变换可以表示为： 离散K-L变换的性质 （1） 的均值向量 为0； （2） 的方差向量为： （3） 为对角阵： 是对角阵，其元素等于 的特征值，即： （4）因为 A 是正交矩阵，所以离散K-L变换是正交变换。 （5）由于二维K-L变换核是不可分离的，所以离散K-L变换不是可分离变换。 3. 离散K-L反变换： 3.6 K-L变换 3.6.4 图像的主分量表示和降维重建 离散K-L变换矩阵 是按特征值 大小排列的相应特征向量 组成的 变换核矩阵，由于能量主要集中于特征值大的系数中，如果只用特征值较大 的前 个分量来近似表示 ，即丢掉对应于特征值较小的系数，则对图像 质量不会有大的影响。 用前 个最大的特征值对应的 个特征向量构成新的变换矩阵 。 作一新的变换： 则可由 维向量 （称为主分量）代替原来的 维向量 。上式称为图 像的主分量表示。 相对于 其维数减少了 维，再作反变换，就得到了原图像 的降维重建值 ： 可以证明， 和 之间的均方误差是： 上式表明，如果 （即如果所有的特征向量都用于变换），则误差为零。而如果选用 个具有最大特征值的特征向量组成变换矩阵 ，则从图像的降维重建和均方误差降至最小来说，离散K-L变换是最佳的。由于这种使用特征向量对应的最大特征值的思想，K-L变换也称为主分量变换。 下图给出了利用不同的 个最大特征值对应的特征向量进行降维重建后的估值图像，从中看出，当 时，重建图像的效果已经很好。 （a）前8个特征向量 （b）前16个特征向量 （c）前32个特征向量 （d）前64个特征向量 图像变换 第三次课 傅立叶变换的一个最大的问题是：它的参数都是复数，在数据的描述上相当于实数的两倍。为此，我们希望有