人脸图像的压缩与重建.ppt

人脸图像压缩与重建 报告人：朱弘 人脸图像压缩与重建 图像的压缩与重建 PCA 2DPCA MatPCA 参考文献 图像的压缩与重建 图像的压缩：把待压缩的图像减去训练得到的图像均值向 量并通过变换矩阵变换成维数很小的一个向量的过程。 图像的重建：将压缩的图像通过变换矩阵的逆变换后再加 上图像均值向量得到的压缩前向量的近似向量。 PCA方法概述 PCA：主成分分析（ Principal Component Analysis ）主要 用于数据降维，对于一系列样本的特征组成的多维向量，多维 向量里的某些元素本身没有区分性。所以我们的目的是找那些 变化大的元素，即方差大的那些维，而去除掉那些变化不大的 维，而且计算量也变小了。 假设图像的尺寸为N*N，可以拉伸为一个长为N*N的列向量。然 后对其进行主成分分析，即用一个低维子空间描述这些图像， 同时又不丢失关键信息。 PCA方法的原理 训练图像集含有M幅图像，Xi，i∈{ 1,2,…,M }为第i个训练样本 的图像向量，u为平均图像向量 PCA方法的原理 将协方差矩阵分解为 其中 为正交阵， 为对角阵 容易求出 的特征值 和特征向量 ，将 从大到小排序， 取前k 个满足下式： 对应的特征向量就可以构成投影矩阵或叫做变换矩 阵。所以做PCA实际上是求这个投影矩阵，用这个投影矩阵 的转置矩阵左乘高维特征向量，便可以将高维特征的维数 下降到指定的维数。 PCA方法的举例 2DPCA方法概述 2DPCA方法的原理 设X为一个n维的列向量。2DPCA的思想是将 的图像矩 阵A，通过Y=AX投影到X上，得到一个m维的投影向量Y。称 为图像A的投影特征向量。 用Y的协方差矩阵Sx的迹表示总散度： 2DPCA方法的原理 定义： 表示所有训练样本的平均图像： 也可以定义为： 所以 可以改写成： 2DPCA方法的原理 使J(X)最大化的X称作最优投影轴。文献 Yang J,Yang J Y.From image vector to maxtrix:a straightforward image projection technique-IMPCA vs.PCA[J].Pattern Recognition , 2002, 35(9):1997~1999. 指出最优投影轴是 的最大特征值对应的特征向量。 通常一个最优投影轴是不够的，因此选对应特征值最大的 前d个相互正交的单位特征向量作为最优投影轴。 2DPCA方法的原理 2DPCA的最优投影向量 用来做特征提取。对于给定 样本图像A 得到的投影特征向量 称作样本图像A的主成分（向 量）。主成分向量形成m×d的矩阵 B=[ ] 称作样本图 像A的压缩矩阵或特征矩阵。 MatPCA方法概述 MatPCA（矩阵主元分析）。 对于图像矩阵，MatPCA方法和2DPCA方法类似。 2DPCA对原始图像矩阵进行行投影，从方差最大化的角度去寻 找最优投影方向。 MatPCA对原始图像矩阵进行列投影，从重构误差最小的角度来 寻找最优投影方向。 两种方法都要对各自的图像协方差矩阵求特征值，并根据实际 需要确定选择最大特征值的个数。 MatPCA方法的原理 M个 训练图像样本 定义 对于图像 我们可以做如下线性变换： 寻找合适的X时，一种可行的原则采用重建误差原则(RCE)： MatPCA方法的原理 是由给定样本矩阵得到的总体协方差矩阵 参考文献： 吴鹏《MATLAB 高效编程技巧与应用》 北京航空航天大学出版社，2010.6 段锦《人脸自动机器识别》 科学出版社，2008 HUANG Yong.Facial expression recogniton based on matrix pattern.Computer Engineering and Applications,2010,46(5):143-144. 谢谢！ * * 用主成分分析的话，图像会有较少的信息损失，并且不能完全复原，但是这种信息损失一般是非常小的。 计算训练样本总体散