模式识别大作业 图像特征提取

模式识别大作业

学号：021151** 姓名：** 任课教师:张**

--fisher线性判别和近邻法

I. Fisher线性判别

A. fisher线性判别简述

在应用统计方法解决模式识别的问题时，一再碰到的问题之一是维数问题．在低维空间里解析上或计算上行得通的方法，在高维里往往行不通．因此，降低维数就成为处理实际问题的关键．

我们考虑把d维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维．这样，必须找一个最好的，易于区分的投影线．这个投影变换就是我们求解的解向量w*．

B.fisher线性判别的降维和判别

1．线性投影与Fisher准则函数

各类在d维特征空间里的样本均值向量：

Mi?1nixk?Xi?xk，i?1,2 (1)

通过变换w映射到一维特征空间后，各类的平均值为：

mi?1niyk?Yi?yk，i?1,2 (2)

映射后，各类样本“类内离散度”定义为：

Si2?yk?Yi?(yk?mi)2，i?1,2 (3)

显然，我们希望在映射之后，两类的平均值之间的距离越大越好，而各类的样本类内离散度越小越好。因此，定义

我看的论文题目是

What Are We Looking For: Towards statistical modeling of saccadic eye movements and visual saliency 下面是从本论文中了解到的几点：

1.研究目标：通过统计分析的方法（建立一个基于统计方法的框架，模拟人眼扫视过程，进行视觉显著性分析），尝试揭示“图像的哪些部分吸引了视点”（这一问题同“什么属性吸引注意力相似，但更容易研究）。

2.基本思想：该文的基本假设（场景中具有超高斯性的部分，就是人眼视觉处理过程中尝试寻找的部分）从视觉注视点的统计分析得出。得出的基本假设为两点：a：显著性是非常稀疏的，也就是说大多数地方的显著值都是0，而只有图中的很小区域的显著值有很大的值；b：具有很大的显著值的区域的周围区域通常具有丰富结构信息。而超高斯(super-Gaussianity)分布刚好具有这两点特征。 具体分析过程如下：

通过分析人眼注视在自然图像的统计特性,我们发现人类的注意力是稀疏分布,通常部署位置和丰富的结构信息。作者首先直观的研究了两个眼注视数据集（图片上标有人眼注视点），发现了上面说到的两个有意思的现象：

1.显著性是稀疏的。2

%直接帧间差分，计算阈值并进行二值化处理（效果不好）

clc;

clear;

Im1 = double(imread('')); %读取背景图片

Im2 = double(imread(''); %读取当前图片

[X Y Z] = size(Im2); %当前图片的各维度值

DIma = zeros(X,Y);

for i = 1:X

for j = 1:Y

DIma(i,j) =Im1(i,j) - Im2(i,j); %计算过帧间差分值

end

end

figure,imshow(uint8(DIma)) %显示差分图像

title('DIma')

med = median(DIma); %计算二值化阈值：差值图像中值

mad = abs(mean(DIma) - med); %中值绝对差

T = mean(med + 3**mad) %初始阈值

Th =5*T; %调整阈值

BW = DIma <= Th; %根据阈值对图像进行二值化处理

figure,imshow(BW)

%se = strel('disk',2); %膨胀处理

%BW = im

人脸识别实验报告

---- 基于PCA和欧氏距离相似性测度 一、理论知识 1、PCA原理

主成分分析(PCA) 是一种基于代数特征的人脸识别方法,是一种基于全局特征的人脸识别方法,它基于K-L分解。基于主成分分析的人脸识别方法首次将人脸看作一个整体,特征提取由手工定义到利用统计学习自动获取是人脸识别方法的一个重要转变[1]。简单的说,它的

原理就是将一高维的向量,通过一个特殊的特征向量矩阵,投影到一个低维的向量空间中,表示为一个低维向量,并不会损失任何信息。即通过低维向量和特征向量矩阵,可以完全重构出所对应的原来高维向量。特征脸方法就是将包含人脸的图像区域看作是一种随机向量,因此,可以采用K-L变换获得其正交K-L基底。对应其中较大特征值的基底具有与人脸相似的形状,因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上,比较其与己知人脸在特征空间中的位置,从而进行判别。

2、基于PCA的人脸识别方法

2.1 计算特征脸

设人脸图像f(x,y)为二维N×M灰度图像,用NM维向量R表示。人脸图像训练集为?Ri|i?1,2,...,P?,其中P为训练集中图

本科生毕业设计（论文）文献综述

题 目： 人脸特征提取与识别

姓 名：

学 号：

学 院：

专 业：

年 级：

指导教师： （签名）

系主任（或教研室主任）： （签章）

目录

1 2

前言 .......................................................................................................................................... 1 人脸特征提取与识别方法 .............................

2.6给出K-均值算法的程序框图，编写程序，自选一组分别属于三类的三维模式样本，

并对它们进行聚类分析。

迭代次数=1随机选取k个样本作为初始聚类中心聚类数目大于样本个数YN输入聚类数目k得到样本矩阵的大小开始输入样本矩阵绘制样本数据的散点图输入错误，要求重新输入k

判断前后两次聚类中心是否变化NY计算各聚类中心的新向量值迭代次数+1输出迭代次数，聚类中心，聚类结果按最短距离原则分配各点计算各点到聚类中心的距离结束MATLAB程序代码

clear all; clc;

data=input('请输入样本数据矩阵：'); X=data(:,1); Y=data(:,2); figure(1);

plot(X,Y,'r*','LineWidth',3); axis([0 9 0 8]) xlabel('x');ylabel('y'); hold on; grid on; m=size(data,1); n=size(data,2); counter=0;

k=input('请输入聚类数目：'); if k>m

disp('输入的聚类数目过大，请输入正确的k值'); k=input('请输入聚类数目：'

为了提高图像检索中纹理特征提取的效率,提出小波变换并进行高斯归一化的综合方法 ,实现了纹理特征的提取 ,并和其他方法做 了对比 实验 实验证明,该方法可以提高效率6个百分点 ,有很强 的实用性。

第

卷

第月

期

哈尔滨理工大学学报,

年

图像检索中纹理特征提取的研究葛晓著,

, '

张宏喜

, '

李兰英仇以只

'

哈尔滨理工大学计算机与控制学院黑龙江哈尔滨黑龙江哈尔滨

绷

哈尔滨汽轮机厂实业开发总公司

一

,

摘

要为了提高图像检索中纹理特征提取的效率提出了,,,

,

小波变换并进行高斯归一化,

的综合方法实现了纹理特征的提取并和其他方法做了对比实验实验证明该方法可以提高效率

个百分点有很强的实用性

关键词纹理特征中图分类号

小波变换

归一化

文献标识码

文章编号

一

一

一

尸一,

,

,

万,

一,

,

,

五了五,

一

,

一

,

,

,

,

,

纹理是由纹理基元按某种确定的规律或统计规

以灰度级的空间相关矩阵为基础的共生矩阵法显然

律排列而形成的局部结构化特征由象素组成的具有一定形状和大小的集合如条状丝状圆斑块状,,,,

优于前者而灰度一梯度共生矩阵法把图像的梯度信息加进灰度共生矩阵在应用中会更加有效但共生矩阵法计算量大缺少与人视觉的相似性结构,,

等称为纹理基元纹理特征的提取指的是通过一定的图像处理技术检测出纹理基元建立模型从而获

数字图像处理(MATLAB版)

实验指导书

(试用版)

本实验指导书配合教材和课堂笔记中的例题使用

姚天曙 编写

安徽农业大学工学院 2009年4月试行

目 录

实验一、数字图像获取和格式转换 实验二、图像亮度变换和空间滤波 实验三、频域处理 实验四、图像复原 实验五、彩色图像处理 实验六、图像压缩 实验七、图像分割 教材与参考文献

2 6 7 9 10 11 13 14

《数字图像处理》实验指导书

实验一、数字图像获取和格式转换

一、

实验目的

1掌握使用扫描仪、数码相机、数码摄像级机、电脑摄像头等数字化设备以及计算机获取数字图像的方法；

2修改图像的存储格式；并比较不同压缩格式图像的数据量的大小。

二、 实验原理

数字图像获取设备的主要性能指标

《模式识别导论》期末大作业

2010-2011-2学期 第 3 组

学号 姓名 工作量(%) 08007204 李双 10 08007205 陈书瑜 35 08007218 王健勇 10 08007236 梁文卓 35 08007243 仲红月 10 I

《模式识别》大作业人脸识别方法一

---- 基于PCA和欧几里得距离判据的模板匹配分类器

一、 理论知识

1、主成分分析

主成分分析是把多个特征映射为少数几个综合特征的一种统计分析方法。在多特征的研究中，往往由于特征个数太多，且彼此之间存在着一定的相关性，因而使得所观测的数据在一定程度上有信息的重叠。当特征较多时，在高维空间中研究样本的分布规律就更麻烦。主成分分析采取一种降维的方法，找出几个综合因子来代表原来众多的特征，使这些综合因子尽可能地反映原来变量的信息，而且彼此之间互不相关，从而达到简化的目的。主成分的表示相当于把原来的特征进行坐标变换（乘以一个变换矩阵），得到相关性较小（严格来说是零）的综合因子。

1.1 问题的提出

一般来说，如果N个样品中的每个样品有n个特征x1,x2,?xn，经过主成分分析，将

它们综合成n综合变量，即

?y1?c11x1?c12x2

图像特征提取三大法宝

（一）HOG特征

1、HOG特征：

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。 （1）主要思想：

在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。（本质：梯度的统计信息，而梯度主要存在于边缘的地方）。 （2）具体的实现方法是：

首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。 （3）提高性能：

把这些局部直方图在图像的更大的范围内（我们把它叫区间或block）进行对比度归一化（contrast-normalized），所采用的方法