【求助】有关目标分类中的离散度（分散度）特征

brk1985 2009-04-27 09:47:49

目标分类中的离散度特征，为周长的平方除以面积。
为什么周长的平方除以面积可以反映目标的离散程度？另外，大家计算离散度时，周长是用外接矩形的周长，还是获取的边缘轮廓求周长？面积也有同样疑问。

...全文

200 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

brk1985 2009-04-28

打赏
举报

回复

顶上去，没人吗？模式识别中，很多人用了离散度的呀？

本文介绍神经突方向离散度和密度成像（NODDI），它基于传统扩散加权成像发展而来，构建三室生物物理模型，包括神经突内、脑脊液和神经突外隔室。文中给出各隔室信号公式，还介绍了评价指标，如神经突密度指数、方向离散度指数和自由水分数。

LDA（线性判别分析）是一种模式识别的经典算法，用于特征抽取和分类。它通过最大化类间距离和最小化类内距离来寻求最佳投影，提高样本的可分离性。LDA假设包括样本分布和类别的先验概率，通过计算类间离散度矩阵和类内离散度矩阵来评估样本间的相关性和分散度。Fisher鉴别准则用于衡量分类效果，目标是降低类内离散度并增大类间离散度。该文还介绍了协方差矩阵的概念及其在LDA中的作用，并提供了PCA的简单介绍作为对比。

本文深入介绍了线性判别式分析(LDA)算法，包括其概述、假设、符号说明、公式推导、算法形式化描述、物理意义和思考。通过一个具体的分类问题实例，解释了如何运用LDA算法实现样本分类，包括计算类间离散度矩阵、类内离散度矩阵、特征向量及其在分类过程中的应用。

本文深入介绍了线性判别式分析(LDA)算法的基本原理及应用。涵盖了LDA算法的数学推导过程，包括类间离散度矩阵和类内离散度矩阵的计算方法。并通过一个具体的例子展示了LDA在实际分类问题中的应用。

本文介绍了一种通过找到最优投影方向向量ω来分离两类数据的方法，旨在使投影后的类间距离最大化，同时减小类内的数据分散度。利用类均值向量、类内离散度矩阵等概念，阐述了如何实现这一目标，从而在二维空间内有效区分两个类别。

4,511

社区成员

15,353

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章