有关数学基础.ppt

对qk求导 ： 在zk和zk+1的P(z)重心处 k=1,2…K. 可见，得不到显函数解，只能根据具体p(z), Z1 ,Zk使用中逐次逼近，用试凑的方法解决。 结论：1、 Zk 在qk和qk+1的中间； 2、 qk 在Zk和Zk+1 之间p(z)的重心处。量化误差最小。 举例：（见讲义） 采样与量化的关系： N×N点采样，每点灰级Ｋ级，K=2b，占b位。 总数据量N×N×b位二进制数据。 当总存贮容量一定时，N与b怎么分配效果才最佳？ 解： 无一般方法，取决于具体图像。 当纹理细节多时N大，b小。 当层次要求多时，则b大，N小。 例如： 人头像——要照顾层次b大，N小（频带窄平滑，采样间隔可大）。 群众场面——纹理丰富b小，N 大（频带宽，采样间隔要小，不丢细节）。 傅立叶变换的比例性表明为对于二个标量a和b，有： 离散图像付氏变换应用 实例1 正弦波去噪 实例2 去噪实例 图像受白噪声干扰的原理如图所示，对于一幅不受白噪声干扰的图像，假设其频谱为图(a)所示的形式，其中横坐标为频率，纵坐标为幅值，对应低频部分幅值较高，高频部分幅值较低。对于高斯白噪声，其频谱如图(b)所示，其幅值是一个常数，那么当原始图像受到白噪声干扰时，它的频谱将变成(c)中的形式。 要去除图像中的白噪声，在频域中减去白噪声的幅值即可。 理想的方法： 知道白噪声的模型，一般情况下很难遇到。在未知噪声幅值的情况下，可以先对噪声图像求频谱，并计算频谱幅值的平均值，用该平均值作为噪声的近似幅值，就可以对图像去噪。 2.6 快速付氏变换FFT （略） 2.7 其它常用变换（离散余弦、哈达码变换） 1、离散余弦变换（DCT） [P]=[WNN][Q] [WNN] 欧拉展开： 为简化变换核（FFT为复数变换），只取实部则为离散余弦变换（去相关次最佳），只取（-1和1）则为哈达码变换。 对于 注意：当f(m,n)为实对称时，后面sin项为零，只余cos项。 一般f(m,n)不对称可拼为对称，四幅N×N拼成2N×2N为实对称； 沿图f(m,n)的水平、垂直二边界拼接四幅图，就成右图的2N×2N图片。有 ： 四幅拼合对称点在(-1/2,-1/2)之处 有： 详细推导见书 全图共N2项，实际操作中，卷积核可事先算好，用LUT实现。DCT变换矩阵可写如下： 另：奇数点的DCT变换见有关书。 2、哈达码变换 [P]，[Q]可以为其它函数，最常用为Hardamard Transform。 用方波，而不用正弦，只用加减不用乘除，简单、容易用硬件实现，软件模拟时可以方便地由计算机产生，不需预先存储起来，缺点：去相关能力差。 2×2的哈达码阵为： 对称，正交 H=H’=H-1 高阶哈达码矩阵可由下法构成：（见Castleman P171页付氏变换）  小结：FFT——DCT—哈达码 [F]=H[f]H 复数域 实数 整数 [f]=H[F]H 2.8 K-L变换（Karhunen-Loeve变换，Hotelling, 特征矢量， 主分量） [把连续信号用一组不相关的系数表示，是由karhunen Loeve提出，Hotelling则提出离散信号的不相关系数表示法，习惯上不论对连续或离散信号这种去相关变换，统称为karhuner-Loeve(K-L)变换或Hotelling变换，也有叫特征矢量变换或主成份分解的。 Hotelling变换是从图象的统计性质出发实现变换。它在数据压缩、图象旋转、遥感多光谱图象的特征选择和统计识别等中很有用。] castleman P454 彩色：3个波段R、G、B 遥感多 ：128个波段 ? 数据太多，能不能通过某种形式，保留主要的，弃掉次要的。 下面讨论：一个随机图象N×N矢量，多光谱每个象素可看作一个矢量。（F是N×N阶） 写成矢量 是N2×1维的，即： （矢量中各个分量都是随机分量） 矢量均值为： 协方差矩阵： 相关矩阵 [一般情况下，自协方差矩阵是对称的，对角