K-L变换(Karhunen-Loève Transform)

最新推荐文章于 2021-10-26 15:25:47 发布

hit_lance

最新推荐文章于 2021-10-26 15:25:47 发布

阅读量6k

点赞数 3

分类专栏：数字图像处理文章标签：数字图像处理计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_41917064/article/details/103820786

版权

数字图像处理专栏收录该内容

1 篇文章 0 订阅

订阅专栏

K-L变换的原理

K-L变换被广泛应用在图像压缩领域中，是一个线性变换(W是正交矩阵)

K-L变换的目标：通过KLT去除原数据之间的相关性，即解相关(decorrelatation)，设y的协方差矩阵为

假设x的每个列向量均值为0，由线性变换的性质，y的每个列向量均值也为0，则

因为W是正交矩阵，上式可写为

设 $\textbf{w}_{i}$ 为W的列向量，则

$\begin{align*} \textbf{[W][C]}_{y}&=[\textbf{w}_{1}, \textbf{w}_{2}, \cdots, \textbf{w}_{n}] \begin{bmatrix} \lambda _{1} & & & \\ &\lambda _{2} & & \\ & &\ddots & \\ & & & \lambda _{n} \end{bmatrix}\\ &=[\lambda _{1}\textbf{w}_{1}, \lambda _{2}\textbf{w}_{2}, \cdots, \lambda _{n}\textbf{w}_{n}]\\ &=\textbf{[C]}_{x}[\textbf{w}_{1}, \textbf{w}_{2}, \cdots, \textbf{w}_{n}] \end{align*}$

所以 $\lambda_{i}, \textbf{w}_{i}$ 分别是 $\textbf{[C]}_{x}$ 的特征值和特征向量，即

这样我们可以通过求 $\textbf{[C]}_{x}$ 的特征向量得到变换矩阵W

K-L变换与DCT变换

一个的零均值Markov序列的协方差矩阵具有以下形式

其特征向量和特征值为

其中 $r_{j}$ 是以下超越方程的根

当 $\rho \rightarrow 1$ 时，有

此时为DCT变换

对于自然景物，通常有。这时DCT的基向量可以很好地近似K-L变换的基向量。由于这个原因，在图象压缩算法中常被用来代替K-L变换，如JPEG算法。尽管DCT在降低谱的相关性方面不如K-L变换有效，但是其好处是它的基函数是固定的，而K-L变换的基函数取决于待变换图象的协方差矩阵。

参考文献与站点

[1] Ed. K. R. Rao, P.C. Yip.The Transform and Data Compression Handbook[M].CRC Press LLC:Boca Raton,2001:20-30.
[2] http://media.cs.tsinghua.edu.cn/~ahz/digitalimageprocess/chapter11/chapt11_ahz.htm
[3] https://en.wikipedia.org/wiki/Karhunen%E2%80%93Lo%C3%A8ve_theorem

关注

3
点赞
踩
18

收藏

觉得还不错? 一键收藏
0
评论
K-L变换(Karhunen-Loève Transform)

K-L变换的原理K-L变换被广泛应用在图像压缩领域中，是一个线性变换(W是正交矩阵)K-L变换的目标：通过KLT去除原数据之间的相关性，即解相关(decorrelatation)，设y的协方差矩阵为假设x的每个列向量均值为0，由线性变换的性质，y的每个列向量均值也为0，则因为W是正交矩阵，上式可写为设为W的列向量，则 ...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。