Python图像处理与机器视觉入门 课件 第17章 图像特征提取（中文）.ppt

第3步：计算总体散度矩阵1-1主元分析（PCA）第4步：计算特征值与特征向量1-1主元分析（PCA）第4步：计算特征值与特征向量1-1主元分析（PCA）第4步：计算特征值与特征向量1-1主元分析（PCA）第5步：特征向量重要性分析1-1主元分析（PCA）第6步：投影1-1主元分析（PCA）练习1，对下面4个向量进行PCA降维1-1主元分析（PCA）图像特征提取指的是从图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，如数值、向量等。提取出来的这些“非图像”的表示或描述就是特征。有了这些数值或向量形式的特征，我们就可以实现图像的匹配，使得计算机具备图像识别的功能。两幅数字图像进行匹配时，通常需要先转换成向量的形式。向量可以理解为一个1维数组，该数组可由原始图像简单拼接构成，数组中元素的个数一般称为向量的维度。例如，一个100×100像素的图像可转换为一个1万维的向量。两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，仅保留有效的特征1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从3维降到2维的情况。1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。1-1主元分析（PCA）（2）PCA降维的步骤：1-1主元分析（PCA）数据的类别：类别2该类别下的索引：类别2下的第一个数据（2）PCA降维的步骤：第1步：对识别目标进行向量表达。下面有4个2维向量，可以理解为4副两个像素的图像，也可理解为实际的值，例如4个人的身高和体重。1-1主元分析（PCA）（2）PCA降维的步骤：第1步：对识别目标进行向量表达。1-1主元分析（PCA）第2步：计算数据中心。1-1主元分析（PCA）1-1主元分析（PCA）第2步：计算数据中心。第3步：计算总体散度矩阵1-1主元分析（PCA）第3步：计算总体散度矩阵1-1主元分析（PCA）第4步：计算特征值与特征向量1-1主元分析（PCA）第4步：计算特征值与特征向量1-1主元分析（PCA）第4步：计算特征值与特征向量1-1主元分析（PCA）第5步：特征向量重要性分析1-1主元分析（PCA）第6步：投影1-1主元分析（PCA）********************图像处理技术与应用李钦深圳信息职业技术学院软件学院科技楼1703D室1295254769@图像处理技术与应用第17章图像特征提取本章大纲1-1主元分析（PCA）1-2线性分辨分析（LDA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从3维降到2维的情况。1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。1-1主元分析（PCA）（2）PCA降维的步骤：1-1主元分析（PCA）数据的类别：类别2该类别下的索引：类别2下的第一个数据（2）PCA降维的步骤：第1步：对识别目标进行向量表达。下面有4个2维向量，可以理解为4副两个像素的图像，也可理解为实际的值，例如4个人的身高和体重。1-1主元分析（PCA）（2）PCA降维的步骤：第1步：对识别目标进行向量表达。1-1主元分析（PCA）第2步：计算数据中心。1-1主元分析（PCA）1-1主元分析（PCA）