模式识别第九章2010.ppt

（ 2 ） 若纹理有方向性，则某些方向的 D (r, ? ) 会高于 其它方向的值。 ∴ D(r, ? ) 确实能 描述纹理特征量 2 ． 方向差分常用的 统计量 若用 P D (i) 表示 D (r, ? ) 为第 i 个 方向差分值的 概率 （ D(r, ? ) 相当于梯度） 统计量有： (i) 反差 （或称对原点的惯性矩）（ 对比度 ） 2 ( ) def D i CON i p i ? ? (ii) 角二阶矩 （或称 能量 ） 2 ( ( )) D i p i ? (iii) 熵 ( ) log ( ) D D i p i p i ? ? (iv) 均值 ( ) D i m ip i ? ? （三）共生矩阵及其统计量 共生矩阵 表示图像 位置相距 为 ( ? x, ? y) 的 两个灰 度像素点（灰度对） 同时 出现的联合 频率 （次数） 分 布 ，即基于 纹理中 某一灰度级结构重复出现 的情况 。 —— 公认的一种 重要的纹理分析方法 对于 灰度等级数为 n 的图像，则 共生矩阵 M ( ? x , ? y) 为一个 n × n 矩阵 ，其 元素 p ij 表示相距 ( ? x, ? y) ，且灰 度分别为 i 级和 j 级的象素点对出现的次数 ，是距离和 方向的函数。 共生矩阵的产生： 该矩阵的数值分布情况，可 反映图像的 纹理特征 。 为了 减小计算量 ，通常 灰度级要减少至一个合理 的数值 ，例： 256 级减至 8 级， 16 级减至 4 级等。 如何计算共生矩阵： 举例：距离为 1 的共生矩阵的计算 例： 4 级 灰度的图像 0 0 1 1 0 0 1 1 0 2 2 2 2 2 3 3 ∵灰度层为 4 ，∴共生矩阵为 4 × 4 0 1 2 3 0 #(0,0) #(0,1) #(0, 2) #(0,3) 1 #(1,0) #(1,1) #(1, 2) #(1,3) 2 #(2,0) #(2,1) #(2, 2) #(2,3) 3 #(3,0) #(3,1) #(3, 2) #(3,3) j i 先规定距离 d 和 方向 ? ＃：表示数目 吸收类均值向量 全部分类信息 的 最优特征提取 方法 ，其 步骤如下 ： 1 ） 求变换矩阵 B ，使 B T S w B=I 设Λ和 U 是对称正交矩阵 S w 的本征值对角阵和 本征矢量矩阵，作白化变换 — 称该变换为 白化变换 1 1 2 2 ( ) T T W U S U I ? ? ? ? ? ∴要将 S w 对角化、单位化。分两步，即： ? 先 K-L 变换，得本征值对角阵Λ和本征向量矩阵 U=(u 1 ,u 2 , … ,u 0 ) 。 通过变换矩阵 U ， 消除分量间的相关性 ? 再对对角阵Λ白化处理 ，即令 1 2 ? ? ? B U T b b S B S B ? ? 2 ） 对类间散射矩阵 S b 进行变换 1 1 2 2 ( ) ? ? ? ? ? T T W U S U I 则 3 ） 对 S ? b 进行 K-L 变换，即找出 S ? b 的本征值和本征 向量。 若样本类别为 c ，则类间离散度矩阵 S b 的秩不 会大于 c-1 ，即使 B 满秩， S ? b =B T S b B 的秩也不会大于 c-1 。 ∴S ? b 的秩最多是 c-1 ， ∴非零本征值个数 d ? c-1 选这 d 个非零本征值对应的本征向量 v i （ i=1, … ,d ）， 即 用 V ? 作变换矩阵，可提取类均值向量的全部分类信 息，即所得的 d 个分量含有原来 D 维样本的全部信息。 1 2 ( , ,..., ) d V v v v ? 4 ） 最佳变换矩阵为： 1 2 ? ? ? ? W U V BV 一般类别数 c 小于特征维数 D ，∴ 最后由 y=W T x —— 不损失信息，又达到 最小维数的变换矩阵 。 把 D 维 空间的 x 映射到 d 维 空间的 y ，达到了对分 类信息 压缩 的目的。 当 c 类远比特征维数 D 小时，该方法压缩性能十分明显 例 9.2 p220 与例 9.1 比较： 即 w* ＝ u1 和 w* ＝ BV 的比较， 小圆 表示 B T 作用后的类的位置变化， 显然采用 w* ＝ BV