💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
主成分分析是一种常用的降维技术,用于对高维数据进行特征提取和表示。在图像处理中,PCA可以用于提取图像的主要特征,并将其表示为更低维度的空间。具体来说,PCA通过找到数据中的主要方差方向(即主成分),将原始数据投影到这些主成分上,从而实现数据的降维。在图像处理中,PCA常用于图像压缩、特征提取和图像重建等任务。通过PCA,我们可以将图像表示为一组具有更高可区分性和更紧凑的特征,从而提高了图像处理和分析的效率和准确性。
📚2 运行结果
主函数部分代码:
clc; clear;
%% Read the original image
fig_original = cell(1,6);
figure('Name', 'Original images');
for i = 1:6
subplot(2, 3, i);
fig_original{1, i} = imread(sprintf('data/WashingtonDC_Band%d.tif', i));
imshow(fig_original{1, i}, []);
imwrite(fig_original{1, i}, sprintf('data/WashingtonDC_Band%d.png', i));
end
%% Principal components
figure('Name', 'Principal components');
[components, reconstruct] = PC(fig_original);
for i = 1:6
subplot(2, 3, i);
imshow(components{1, i}, []);
imwrite(remap(components{1, i}), sprintf('data/components%d.png', i));
end
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]李辉,刘姁升,蒋金豹等.基于冬小麦高光谱图像的天然气微泄漏胁迫区域提取[J].光谱学与光谱分析,2024,44(03):770-776.