《數(shù)字圖象處理及matlab的實(shí)現(xiàn)-ppt-課件-第11章-PPT幻燈片.ppt》由會員分享，可在線閱讀，更多相關(guān)《數(shù)字圖象處理及matlab的實(shí)現(xiàn)-ppt-課件-第11章-PPT幻燈片.ppt（9頁珍藏版）》請?jiān)趨R文網(wǎng)上搜索。

1、單元數(shù)組單元數(shù)組f=imread(lena.bmp);b=ones(100,2);ch=area,centroid;c=f,b,ch;cC3;c(3);celldisp(c3);cellfun(funname,c);d=cellfun(length,c);單元數(shù)組包含的是變量的副本（單元數(shù)組包含的是變量的副本（C語言中的引用），而不是指針，因此對語言中的引用），而不是指針，因此對C中的變中的變量進(jìn)行修改，則不會改變在量進(jìn)行修改，則不會改變在C創(chuàng)建前的變量本身。創(chuàng)建前的變量本身。結(jié)構(gòu)結(jié)構(gòu)與單元數(shù)組類似，但訪問方式不同（域）與單元數(shù)組類似，但訪問方式不同（域）s.dim,s.Ai,s.Airows

2、,s.Aicols,12表示（representation）1.鏈碼鏈碼(chain codes)：鏈碼是一種邊界的編碼表示法，其：鏈碼是一種邊界的編碼表示法，其編碼依據(jù)為邊界的方向。編碼依據(jù)為邊界的方向。01234-鏈碼鏈碼01472358-鏈碼鏈碼63算法：算法：給每一個(gè)線段邊界一個(gè)方向編碼（給每一個(gè)線段邊界一個(gè)方向編碼（4-鏈碼或鏈碼或8-鏈碼）。鏈碼）。從從起起點(diǎn)點(diǎn)開開始始，沿沿邊邊界界編編碼碼，至至起起點(diǎn)點(diǎn)被被重重新新碰碰到到，結(jié)結(jié)束束一個(gè)對象的編碼。一個(gè)對象的編碼。4-鏈碼：鏈碼：0000333333222222111100116表示2.多邊形近似多邊形近似(polygonal a

3、pproximations)：基本思想是用：基本思想是用最少的多邊形線段，獲取邊界形狀的本質(zhì)。最少的多邊形線段，獲取邊界形狀的本質(zhì)。最小周長多邊形最小周長多邊形：邊界被一些網(wǎng)格包圍，想象邊界有彈性，：邊界被一些網(wǎng)格包圍，想象邊界有彈性，則在網(wǎng)格內(nèi)收縮邊界，可獲得最小周長多邊形。則在網(wǎng)格內(nèi)收縮邊界，可獲得最小周長多邊形。711.5 主分量描述1、將、將M*N象素的人臉排成一矢量：象素的人臉排成一矢量：DM*N,D行行1列。列。2、將、將n張人臉，即張人臉，即n個(gè)訓(xùn)練樣本構(gòu)成個(gè)訓(xùn)練樣本構(gòu)成n個(gè)矢量，個(gè)矢量，X1,X2,Xn.3、計(jì)算矢量均值、計(jì)算矢量均值 和中心化的矩陣和中心化的矩陣4、構(gòu)造協(xié)方差

4、矩陣、構(gòu)造協(xié)方差矩陣，注意到一定是個(gè)對稱的半正定的方陣，并，注意到一定是個(gè)對稱的半正定的方陣，并且它的秩（或非零特征根的個(gè)數(shù)）且它的秩（或非零特征根的個(gè)數(shù)）所以矩陣所以矩陣（n*n維）與（維）與（D*D維）雖然維數(shù)不同，但有完全相同的特征根維）雖然維數(shù)不同，但有完全相同的特征根對角陣，但各特征根對應(yīng)的特征矢量不同，因?yàn)閮蓚€(gè)方陣（對角陣，但各特征根對應(yīng)的特征矢量不同，因?yàn)閮蓚€(gè)方陣（S和和S）在表達(dá)形式上不同，特征矢量的維數(shù)與對應(yīng)的方陣的維數(shù)）在表達(dá)形式上不同，特征矢量的維數(shù)與對應(yīng)的方陣的維數(shù)相同，特征矢量矩陣各列間（即各特征矢量間）正交。特征矢相同，特征矢量矩陣各列間（即各特征矢量間）正交。特征

5、矢量的個(gè)數(shù)與非零特征根的個(gè)數(shù)相一致。最大特征根對應(yīng)的特征量的個(gè)數(shù)與非零特征根的個(gè)數(shù)相一致。最大特征根對應(yīng)的特征矢量，是抽取了對應(yīng)方陣的最主要的成分（低頻信號，包含了矢量，是抽取了對應(yīng)方陣的最主要的成分（低頻信號，包含了方陣的最主要的信息），依次類推，最小的特征根對應(yīng)的特征方陣的最主要的信息），依次類推，最小的特征根對應(yīng)的特征矢量包含了方陣的最不重要成分（高頻信息）。矢量包含了方陣的最不重要成分（高頻信息）。85、若分解、若分解S，則特征矩陣，則特征矩陣U是是D*r維，若分解維，若分解S，則特征矩陣，則特征矩陣U是是n*r維維,因此，因此，U中最大特征根對應(yīng)的特征矢量的第一個(gè)分量中最大特征根對應(yīng)

6、的特征矢量的第一個(gè)分量是是D*D矩陣中第一行數(shù)據(jù)的共同特征（即最主要的成分），該矩陣中第一行數(shù)據(jù)的共同特征（即最主要的成分），該特征矢量的第二個(gè)分量是特征矢量的第二個(gè)分量是D*D矩陣中第二行數(shù)據(jù)的共同特征矩陣中第二行數(shù)據(jù)的共同特征（也即最主要成分，最低頻信息）；而（也即最主要成分，最低頻信息）；而U中最大特征根對應(yīng)中最大特征根對應(yīng)的特征矢量的第一個(gè)分量是的特征矢量的第一個(gè)分量是n*n矩陣中第一行數(shù)據(jù)的共同特征矩陣中第一行數(shù)據(jù)的共同特征（也即最主要成分，最低頻信息），該特征矢量的第二個(gè)分量（也即最主要成分，最低頻信息），該特征矢量的第二個(gè)分量是是n*n矩陣中第二行數(shù)據(jù)的共同特征（也即最主要成分，

7、最低矩陣中第二行數(shù)據(jù)的共同特征（也即最主要成分，最低頻信息）；若取頻信息）；若取kr,即只取即只取k個(gè)主要分量來代表方陣個(gè)主要分量來代表方陣S或或S,從此可以看出，在人臉識別中，選擇分解從此可以看出，在人臉識別中，選擇分解S我們可把高維人我們可把高維人臉降到臉降到k維，即用遠(yuǎn)遠(yuǎn)小于的維，即用遠(yuǎn)遠(yuǎn)小于的k個(gè)主要成分來描一張人臉即個(gè)主要成分來描一張人臉即可。所以從這里來看，應(yīng)該是對可。所以從這里來看，應(yīng)該是對S進(jìn)行分解才是合法的降維。進(jìn)行分解才是合法的降維。96、再用這、再用這k個(gè)相互正交的個(gè)相互正交的n維特征矢量作為一正交基張成一個(gè)維特征矢量作為一正交基張成一個(gè)k*D維的空間，即維的空間，即T=

8、spanU1,U2,Uk。最后將每一張人。最后將每一張人臉臉D*1維矢量投影到這個(gè)空間上去，得到一降維的特征臉維矢量投影到這個(gè)空間上去，得到一降維的特征臉 =TT *X i，(k*1維維)。得到。得到n張訓(xùn)練樣本的特征臉庫（張訓(xùn)練樣本的特征臉庫（k*n維）維）。7、識別，將測試人臉同樣投影到空間、識別，將測試人臉同樣投影到空間T上，得到一測試臉的特上，得到一測試臉的特征，再和樣本庫求出最小距離進(jìn)行匹配識別。征，再和樣本庫求出最小距離進(jìn)行匹配識別。思考，若對思考，若對S分解，是分解，是n*k維，則人臉矢量的劃分得以行處理，維，則人臉矢量的劃分得以行處理，而非以列處理，還是存在本質(zhì)的區(qū)別。而非以列處理，還是存在本質(zhì)的區(qū)別。