在模式识别中接触到K-L变换的时候懵懵懂懂的,只知道是特征选择,不知道究竟怎么用,后来做图像处理需要用到PCA,才发现和K-L变换时一伙的,再好好做做功课,把他们整理整理。
预备知识:
维度灾难:对于一组已知的样本,存在特征数目的最大维数当使用的特征数目超过这个最大值时,分类器的性能不但不能得到改善反而会退化。
为了避免维度灾难需要进行特征降维
进行特征降维的两类方法:特征选择( Feature Selection )和特征提取(Feature Extraction)。
特征选择:也称特征子集选择( Feature Subset Selection , FSS ),选择全部特征的一个子集作为特征向量。
特征提取:通过已有的特征通过映射或变换的方法建立一个新的特征集,这样用低维空间的特征描述高维空间的特征。
K-L变换和PCA属于特征提取的范畴
特征提取的应用:主要应用于计算机视觉和图像处理中,决定图像上的每个点是否属于一个图像特征,然后把这些点分为不同的子集。常用的图像特征有:纹理特征,颜色特征,形状特征,空间关系特征等。
特征提取的方法:边界方向直方图法,颜色直方图提取,PCA,Fourier变换,基于tamura的纹理特征提取等等。
因其通过特征的线性组合实现降维的方法,故沿承了线性变换的优点:计算简便,便于解析分析。
K-L变换或者PCA的过程: