拼图法取得了突破性进展。现在拼出来的视图已经一点也不后现代了……我是说,图像的完整性很好,像素基本上是连续的──还是放效果图吧:
其实我所做的不过是稍微修改了评价函数,增加了一项“位移惩罚”而已。于是那些小方块终于不再乱跑了……
无论如何,这个成果加强了我对拼图法的信心。接下来只需要引入快速搜索算法,提高匹配效率,速度场方面的工作就可以完成了。
在另一只手上,辐射法总是受挫。不仅写的代码老bug,而且我又发现,辐射法所获的的连续性与宏块匹配是本质相同的。看来暂时放弃这个想法了。
关于PCA方法,我开始有更多的迷惘。PCA的本质是什么?“方差最大”说明了什么?区分力和方差真的有关吗?
PCA的内核是协方差矩阵,而不是相关系数矩阵──这意味着输入参数必须是同单位、同质的。它和回归算法有内在联系,却又有本质的差别:回归法允许我们对数据各种预处理,比如标准化数据维(减去均值除以方差)。而PCA却不允许这么做……
最后,协方差矩阵的特征向量,它究竟代表了什么?
我想,我需要冷静一下……
其实我所做的不过是稍微修改了评价函数,增加了一项“位移惩罚”而已。于是那些小方块终于不再乱跑了……
无论如何,这个成果加强了我对拼图法的信心。接下来只需要引入快速搜索算法,提高匹配效率,速度场方面的工作就可以完成了。
在另一只手上,辐射法总是受挫。不仅写的代码老bug,而且我又发现,辐射法所获的的连续性与宏块匹配是本质相同的。看来暂时放弃这个想法了。
关于PCA方法,我开始有更多的迷惘。PCA的本质是什么?“方差最大”说明了什么?区分力和方差真的有关吗?
PCA的内核是协方差矩阵,而不是相关系数矩阵──这意味着输入参数必须是同单位、同质的。它和回归算法有内在联系,却又有本质的差别:回归法允许我们对数据各种预处理,比如标准化数据维(减去均值除以方差)。而PCA却不允许这么做……
最后,协方差矩阵的特征向量,它究竟代表了什么?
我想,我需要冷静一下……