主成分分析与白化预处理

最新推荐文章于 2021-03-17 12:50:46 发布

ycheng_sjtu

最新推荐文章于 2021-03-17 12:50:46 发布

阅读量2.8k

点赞数

分类专栏： UFLDL UFLDL 文章标签： Deep Learning UFLDL 深度学习模式识别压缩

本文链接：https://blog.csdn.net/ycheng_sjtu/article/details/38497207

版权

本文探讨了主成分分析（PCA）在处理12*12小patch图像数据上的应用，展示了PCA如何使高维图像数据的协方差矩阵接近对角阵。通过选择合适的k值保持90%以上方差，进一步比较了99%方差下（k=116）的效果。此外，文章还介绍了PCA白化和ZCA白化处理，其中ZCA白化在不降维的情况下显著增强了图像边缘。

摘要由CSDN通过智能技术生成

上一节介绍了主成分分析应用于2维数据。现在使用高维的图像数据来试试效果。

原始图像如图1所示。

图1

每个图片都是12*12的小patch，原始数据是一个144*10000的矩阵x。

在使用了PCA旋转之后，可以检查一下此时的协方差矩阵是否已经成功变成对角阵了，如图2所示。

avg=mean(x,1);
x=x-repmat(avg,size(x,1),1);
xRot = zeros(size(x)); % You need to compute this
[u,s,v]=svd(x*x'/size(x,2));
xRot=u'*x;
covar = zeros(size(x, 1)); % You need to compute this
covar=xRot*xRot'/size(xRot,2);
figure('name','Visualisation of covariance matrix');
imagesc(covar);</span>