特征的选择与提取.pptVIP

学习指南;学习指南;学习指南;学习指南;学习指南;本章重点;本章知识点;8.1基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;基本概念;8.2类别可分离性判据;类别可分离性判据;类别可分离性判据;8.2.1基于距离的可分性判据;基于距离的可分性判据;基于距离的可分性判据;基于距离的可分性判据;基于距离的可分性判据;基于距离的可分性判据;8.2.2基于概率分布的可分性判据;8.2.2基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;上一节讨论的是样本在特征空间的分布距离作为特征提取的依据。

按欧氏距离度量的特征提取方法

基于概率分布的可分性判据

基于概率分布的可分性判据

由散度JD的定义，?得

按欧氏距离度量的特征提取方法

正态分布时基于概率分布距离度量

但是用这两种不同的特征描述图像，

即:W=[μ1，μ2…μd]

考虑以Rx的特征向量作为A的列，则

PrincipleComponentAnalysis

这一节只是在正态分布条件下的一种特殊情况进行分析，不作基本要求。

S*w=WTSwW

正态分布时基于概率分布距离度量

=[a1,a2……an]T[λ1a1,λ2a2……λnan];基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;基于概率分布的可分性判据;8.2.3基于熵函数的可分性判据;基于熵函数的可分性判据;基于熵函数的可分性判据;按欧氏距离度量的特征提取方法

类别可分离性判据的种类

使用J2判据进行特征提取

按欧氏距离度量的特征提取方法

这是大部分特征提取方法的基本做法。

正态分布时基于概率分布距离度量

一些常用的概率距离度量

做到既降维，又能尽可能体现类间分离，类内聚集的原则

对特征空间的改造、优化、主要的目的是降维，即把维数高的特征空间改成维数低的特征空间，降维主要有两种途径

2．描述事物方法的选择与设计

由于对特征空间进行改造目的在于提高其某方面的性能，因此又称特征的优化问题

J2(W)=λ1+λ2+…+λd

一些常用的概率距离度量

例用RGB颜色空间和HSI颜色空间

λ1≥λ2≥…≥λD，;基于熵函数的可分性判据;8.3特征提取;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;1计算特征向量间平均距离的判据

λ1≥λ2≥…≥λD，

一些常用的概率距离度量

这一个指标对区分红苹果与梨很有效

它要经过加工、处理才能得到对模式分类更加有用的信号

x’表示[y1……ym]在原空间中对应的表示方法

在特征提取方法中希望所使用的各种判据能够满足以下几点要求：

区分黄苹果与梨就会困难得多

因此通过改变这些参数的值就可实现对模型的有效描述，这在图象生成中是很有用的。

求使J2(W)最大的W解可利用特征值方法

一些常用的概率距离度量;按欧氏距离度量的特征提取方法;按欧氏距离度量的特征提取方法;8.3.2按概率距离判据提取特征;8.3.3特征提取方法小结;特征提取方法小结;特征提取方法小结;特征提取方法小结;特征提取方法小结;特征提取方法小结;特征提取方法小结;特征提取方法小结;主成分分析;K-L变换;K-L变换;K-L变换;K-L变换;K-L变换;K-L变换;K-L变换;K-L变换典型应用;K-L变换典型应用;K-L变换典型应用;K-L变换典型应用