图像算法九：【图像特征提取】特征降维、PCA人脸特征抽取、局部二进制
发布时间
阅读量：
阅读量
PCA数学理论：
关于PCA的理论，资料很多，公式也一大把，本人功底有限，理论方面这里就不列出了。下面主要从应用的角度大概来讲讲具体怎么实现数据集的降维。
把原始数据中每个样本用一个向量表示，然后把所有样本组合起来构成一个矩阵。当然了，为了避免样本的单位的影响，样本集需要标准化。
求该矩阵的协防差矩阵（关于协方差的介绍可以参考我的博文：一些知识点的初步理解_4(协方差矩阵,ing...)）。
求步骤2中得到的协方差矩阵的特征值和特征向量。
将求出的特征向量按照特征值的大小进行组合形成一个映射矩阵，并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。
用步骤4的映射矩阵对原始数据进行映射，达到数据降维的目的。
其他相关文章请点击：
图像算法一：【图像点运算】灰度直方图、伽马变换、灰度阈值变换、分段线性变换、直方图均衡化
图像算法二：【图像几何变换】平移、镜像、转置、缩放、旋转、插值
图像算法三：【图像增强--空间域】图像平滑、中值滤波、图像锐化
图像算法四：【图像增强--频率域】傅里叶变换、快速傅里叶变换、频域滤波、频域低通滤波、频域高通滤波
图像算法五：【图像小波变换】多分辨率重构、Gabor滤波器、Haar小波
图像算法八：【图像分割】边缘检测（Roberts，Sobel，canny）、霍夫变换（hough）、阈值分割、区域分割
图像算法九：【图像特征提取】特征降维、PCA人脸特征抽取、局部二进制
全部评论 (0)
还没有任何评论哟~