最近学习了一点有关图像方面的知识,今天主要学习了一些有关于PCA的相关知识
以下只是本人的一点记录与感悟吧:
首先我们了解一下什么是PCA,PCA即principle components analysis主成分分析。
主成分分析即所谓的特征量的提取。
那么为什么要进行主要特征量提取呢,在我们分析图像的时候,就是对图像的一些
特征量进行分析,一副图像会包含许多的特征量,一般情况下,我们可能认为特征量
提取越多,我们对图像分析就越全面,分析越好。可是其实不然,分析特征量太多是
不好的,有时候在识别图像时我们只需要某些特征量,其他的多余特征量就会产生干
扰。提取的特征量过多可能会造成所谓的“维度灾难”。所以我们要采取PCA的方法。
那么PCA的具体方法又是如何呢?
其实在pca的具体方法中涉及许多高数,线代等方面的知识,比如拉格朗日乘数,矩阵
的转置,二范数的知识,基座标变换,求偏导数之类的,希望大家学之前能自己去具体
了解一下。
其实pca的本质就是一种降维处理
比如我们给出n个d维的样本x1,x2,x3。。。xn,我们将这些样本进行pca处理,降至
k维,求出样本均值u和一组正交基向量(c1,c2,。。。,ck)来最优表示给定的样本。
何为最优表示?就是根据正交基向量与u值所得出的投影向量与原来样本差值的平方和是
最小的。根据这个原则,通过一些数学运算就可以求出特征值与特征向量,pca处理其实
就是把原来的样本投影到(c1,c2,。。。,ck)所代表的k维上去,得到的特征值与特
征向量就有k个,就可以通过他们来分析识别图像了。
大家具体想学习的话可以看看这本书《数字图象处理与机器视觉》-人民邮电出版社。