上傳人：y***

認(rèn)證信息

認(rèn)證類型：個人認(rèn)證

認(rèn)證主體：孫**（實名認(rèn)證）

IP屬地：山東

IP屬地：山東 上傳時間：2025-01-02 格式：PPT 頁數(shù)：50 大?。?.16MB 積分：15 舉報 版權(quán)申訴

圖像處理技術(shù)與應(yīng)用李欽深圳信息職業(yè)技術(shù)學(xué)院軟件學(xué)院科技樓1703D室1295254769@圖像處理技術(shù)與應(yīng)用第17章

圖像特征提取本章大綱1-1主元分析（PCA）1-2線性分辨分析（LDA）（1）降維：兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，下圖展示了向量從2維降到1維的情況。

1-1主元分析（PCA）（1）降維：兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，下圖展示了向量從3維降到2維的情況。

1-1主元分析（PCA）（1）降維：兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，下圖展示了向量從2維降到1維的情況。

1-1主元分析（PCA）（2）PCA降維的步驟：

1-1主元分析（PCA）數(shù)據(jù)的類別：類別2該類別下的索引：類別2下的第一個數(shù)據(jù)（2）PCA降維的步驟：第1步：對識別目標(biāo)進行向量表達。下面有4個2維向量，可以理解為4副兩個像素的圖像，也可理解為實際的值，例如4個人的身高和體重。

1-1主元分析（PCA）（2）PCA降維的步驟：第1步：對識別目標(biāo)進行向量表達。

1-1主元分析（PCA）第2步：計算數(shù)據(jù)中心。

1-1主元分析（PCA）

1-1主元分析（PCA）第2步：計算數(shù)據(jù)中心。第3步：計算總體散度矩陣

1-1主元分析（PCA）第3步：計算總體散度矩陣

1-1主元分析（PCA）第4步：計算特征值與特征向量

1-1主元分析（PCA）第4步：計算特征值與特征向量

1-1主元分析（PCA）第4步：計算特征值與特征向量

1-1主元分析（PCA）第5步：特征向量重要性分析

1-1主元分析（PCA）第6步：投影

1-1主元分析（PCA）練習(xí)1，對下面4個向量進行PCA降維

1-1主元分析（PCA）圖像特征提取指的是從圖像中提取有用的數(shù)據(jù)或信息，得到圖像的“非圖像”的表示或描述，如數(shù)值、向量等。提取出來的這些“非圖像”的表示或描述就是特征。有了這些數(shù)值或向量形式的特征，我們就可以實現(xiàn)圖像的匹配，使得計算機具備圖像識別的功能。兩幅數(shù)字圖像進行匹配時，通常需要先轉(zhuǎn)換成向量的形式。向量可以理解為一個1維數(shù)組，該數(shù)組可由原始圖像簡單拼接構(gòu)成，數(shù)組中元素的個數(shù)一般稱為向量的維度。例如，一個100×100像素的圖像可轉(zhuǎn)換為一個1萬維的向量。兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，僅保留有效的特征

1-1主元分析（PCA）（1）降維：兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，下圖展示了向量從2維降到1維的情況。

1-1主元分析（PCA）（1）降維：兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，下圖展示了向量從3維降到2維的情況。

1-1主元分析（PCA）（1）降維：兩個向量如果緯度過高（1萬，100萬），則匹配誤差會增高、匹配速度會降低，需要對象量進行降維，即是說刪除一些對識別無用的維度，下圖展示了向量從2維降到1維的情況。

1-1主元分析（PCA）（2）PCA降維的步驟：

1-1主元分析（PCA）數(shù)據(jù)的類別：類別2該類別下的索引：類別2下的第一個數(shù)據(jù)（2）PCA降維的步驟：第1步：對識別目標(biāo)進行向量表達。下面有4個2維向量，可以理解為4副兩個像素的圖像，也可理解為實際的值，例如4個人的身高和體重。

1-1主元分析（PCA）（2）PCA降維的步驟：第1步：對識別目標(biāo)進行向量表達。

1-1主元分析（PCA）第2步：計算數(shù)據(jù)中心。

1-1主元分析（PCA）

1-1主元分析（PCA）第2步：計算數(shù)據(jù)中心。第3步：計算總體散度矩陣

1-1主元分析（PCA）第3步：計算總體散度矩陣

1-1主元分析（PCA）第4步：計算特征值與特征向量

1-1主元分析（PCA）第4步：計算特征值與特征向量

1-1主元分析（PCA）第4步：計算特征值與特征向量

1-1主元分析（PCA）第5步：特征向量重要性分析

1-1主元分析（PCA）第6步：投影

1-1主元分析（PCA）練習(xí)1，對下面4個向量進行PCA降維

1-1主元分析（PCA）（2）使用PCA進行人臉識別2.1讀取人臉圖像，轉(zhuǎn)換為向量；2.2使用人臉圖像對PCA模型進行訓(xùn)練，得到特征向量（學(xué)習(xí)）計算特征值與特征向量分析特征值保存特征向量2.3讀取特征向量，進行投影，實現(xiàn)圖像降維（提取特征）2.4計算兩個投影后的向量間的距離，距離足夠小時，判定為同一個人的兩幅人臉圖像

1-1主元分析（PCA）練習(xí)2，使用PCA和SVM進行人臉識別

1-1主元分析（PCA）PCA的優(yōu)化目標(biāo)為：投影后總體散度最大LDA的優(yōu)化目標(biāo)為：投影后類內(nèi)散度最小且類間散度最大

1-2線性辨析分析（LDA）一元線性回歸-最小二乘法1一元線性回歸一元線性回歸-梯度下降

1一元線性回歸將b、W的求解轉(zhuǎn)換為求J的極小值。一元線性回歸-梯度下降從曲面中的任意一點開始，沿著梯度的反方向一步步的下降，直到下降到曲面的最低點。1一元線性回歸練習(xí)3：編碼實現(xiàn)一元梯度下降

1一元線性回歸多元線性回歸

2多元線性回歸邏輯回歸-神經(jīng)元

3神經(jīng)元神經(jīng)網(wǎng)絡(luò)-NN-回歸

4神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)-NN-分類

4神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)：全連接網(wǎng)絡(luò)指的是輸入層的所有單元與隱藏層的所有單元相連。在圖像處理中，更常用的是卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）。卷積神經(jīng)網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中加入了一個或多個卷積層，卷積層中有一個或多個濾波器，輸入數(shù)據(jù)和濾波器卷積后，卷積結(jié)果和隱藏層相連，從而有效利用了圖像的局部信息，并且對訓(xùn)練參數(shù)做了大幅精簡，

5卷積神經(jīng)網(wǎng)絡(luò)6圖像特征提取與分類Resnet506圖像特征提取與