第八章new特征提取及正确选择.pptVIP

解：将 和 作为一个整体来考虑，有： 例： 有两类模式： 用K-L变换来作一维特征提取。 （均值为零，原点不变。） 令 例1 选 对应的本征向量作为变换矩阵，由 求得变换后的一维模式： 其对应的本征向量由 求得 解本征值方程 ，由 得R的本征值 这是原模式在向量轴上的投影 利用K-L变换进行人脸图象识别是一个著名的方法。其原理十分简单，首先搜集要识别的人的人脸图象，建立人脸图象库，然后利用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有人脸图象进行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。 预处理 位置校准和灰度归一化 进行图像旋转，使ErEL的连线保持水平； 根据人脸的比例关系， 进行图像剪裁。 缩放图像 灰度拉伸，改善对比度；直方图修正，部分的消除光照强度的影响。 归一化后的人脸图像 K-L变换 “特征脸”图像 任何一幅人脸图像都可以表示为这组“特征脸”的线性组合，其加权系数既是K-L变换的展开系数，即图像的代数特征。 特征向量的选取 CH8 特征提取和选择 §8.1 概 述 基本概念 模式识别建立在对模式特征量化的基础上。首先要对表征模式的各种特征加以量测或量化，得到每一模式的特征数值集合，或特征向量，然后根据不同类型模式具有不同的特征数值集合，进行自动辨别。 特征提取： 无论是识别过程还是学习过程，都要对研究对象固有的、本质的重要特征或属性进行量测并将结果数值化，或对目标进行分解产生基元并对其符号化，形成特征矢量或符号串、关系图，从而产生代表对象的模式，模式类中的个体在有些场合中也称为样本。用于学习与训练样本的类别是已知的。另外，在进行特征提取之前一般还需要对目标的信息载体进行必要的预处理。 所谓特征提取在广义上就是指一种变换。 A:Y-X就叫特征提取器 基本概念 问题:模式维数很高的情况下，计算量太大，且识别精度并不一定随着维数增多而提高。 特征选择： 通常能描述对象的元素很多，为了节省资源，节省计算机存储空间、机时、特征提取的费用，有时更是为了可行性，在保证满足分类识别正确率要求的条件下，按某种准则尽量选用对正确分类识别作用较大的特征，使得用较少的特征就能完成分类识别的任务。 这项工作表现为减少特征矢量的维数或符号字符数。 基本概念 细胞的自动识别，得到一批包括正常及异常细胞的数字图像。 特征：细胞总面积、总光密度、胞核面积、核浆比、细胞形状、核内文理…… 一种方式是用映射（或称变换）的方法把原始特征变换为较少的新特征，即特征提取 另一种方式是从原始特征中挑选一些具有代表性的特征，即特征选择。 如陆地卫星1号有十二个波段的数据，而从识别精度来分析，三、四个波段的组合却是最好的 在实现上述目标时，往往需要首先制定特征提取与选择的准则： 1）以反映类内类间距离的函数作为准则； 2）以误判概率最小作为准则； 3）用类别判决函数作为准则； 4）构造与误判概率有关的判据来刻画特征对分类识别的贡献或者有效性。 在具体实施特征提取与选择时有如下两个基本途径： 一.欧氏距离 模式 1.模式与模式间的距离： §8.2 描述模式分布状态的测度 2.类内距离： 同一类模式内所有点之间距离平方的平均值。 若同类点集为： 则类内距离为： 类内距离用类内所有样本的方差表示为： 类内方差的大小反映了同一类模式的凝聚情况，即所有同类模式之间的距离的波动情况。 描述模式分布状态的测度 3.类间距离： 两类模式集合 ， 各有 和 个样本，则类间距离为 类间距离也可以用两类的中心点（均值）之间的距离来表示 类间距离反映了不同类别在特征空间中的差异程度。 描述模式分布状态的测度 似然比 为模式 对于 和 两类归属明确程度的度量： 二. 离散度 令 离散度是另一种形式的距离概念，它以似然比表示，可以作为一个准则来确定选取哪些特征量以更好地区分诸类样本。 1. 似然比 描述模式分布状态的测度 2. 离散度 所有样本对于 和 两类归属明确程度的平均量度为 对于 和 归属明确程度的平均量度为 离散度 描述模式分布状态的测度