社区
机器视觉
帖子详情
利用PCA做图像压缩时,需要先把图像数据标准化吗?
jin_orchid
2012-08-14 05:27:30
如题,标准化是必要的吗?
...全文
501
3
打赏
收藏
利用PCA做图像压缩时,需要先把图像数据标准化吗?
如题,标准化是必要的吗?
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
3 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
wujpbb7
2012-09-26
打赏
举报
回复
不必要,一般对样本做零均值化的叫 PCA, 不做的叫 K-L 变换。
我实验下来 后者 前N位特征值之和 占 总特征值之和 比例 更大,如使用相同数量的系数,后者还原效果会更好。
jin_orchid
2012-08-17
打赏
举报
回复
我想用PCA来做图像压缩,这个有必要吗?
laoma_hbu
2012-08-15
打赏
举报
回复
应该不是吧,我感觉得看你的应用。如果你想PCA后做分类,为使输入图像尽量接近训练协方差矩阵的图像,那么标准化应该是有用的。不然,仅是对输入图像进行PCA变换,这时是否进行标准化应该无所谓了吧。
减去
图像
均值matlab代码-
PCA
-Image-Compression:
PCA
-
图像
压缩
热
图像
均值matlab代码
PCA
-
图像
压缩
图像
压缩
要开始使用
PCA
进行
图像
压缩
,可以将
图像
表示为像素颜色值矩阵,其中 X 和 Y 的值是
图像
中像素的坐标,f(x,y) 是相应的灰度级别。 在
图像
压缩
中,样本是
图像
矩阵的列。 例如,一张 1024 x 1024 的
图像
,您可以将其视为 1024 个样本(向量),维度为 1024。第一步是对
数据
进行
标准化
,或对
图像
进行归一化,方法是从原始
数据
中减去每个样本(列)的均值矩阵。 这很重要,因为
PCA
是一种方差最大化方法,因此如果
数据
未
标准化
,则会失去其完整性。 [使他们都同等重要]。 第二步是计算协方差矩阵,然后找到特征向量和特征值。 最后,最后一步是在较低维度重建原始
图像
。 具有最大对应特征值的特征向量是
图像
数据
将被投影到的新基础(这是
图像
数据
集中变化最大的方向)。 最后,最后一步是通过将
图像
数据
投影到上一步找到的具有减少特征的新基础来变换
图像
。 换句话说,
图像
是在低维空间中重建的。 这是一个使用
PCA
进行
图像
压缩
的示例,它展示了随着组件数量的增加质量的提高。 MATLAB 代码使用
PCA
来重建
图像
,我们可以看到使用不同数
智能
图像
处理技术PDF
智能
图像
处理技术 作者:李弼程 出版社:电子工业出版社 ISBN:712100047 原价: ¥32 图书简介 本书主要论述了智能
图像
处理技术,系统介绍了智能
图像
处理技术的有代表性的思想、算法与应用,跟踪了
图像
处理技术的发展前沿。全书共分为15章,重点讨论了
图像
边缘检测、
图像
分割、
图像
特征分析、
图像
配准、
图像
融合、
图像
分类、
图像
识别、基于内容的
图像
检索与
图像
数字水印。此外,为了内容的完整性,本书还介绍了
图像
预处理技术,如
图像
采集、
图像
变换、
图像
增强、
图像
恢复、
图像
编码与压缩。 图书目录 第1章 绪论 1.1
图像
与
图像
处理的概念 1.2 数字
图像
处理研究的内容 1.2.1 传统的
图像
处理技术 1.2.2 智能
图像
处理技术 1.3 数字
图像
处理系统 1.4 数字
图像
处理的应用 1.5 人的视觉系统与色度学基础 1.5.1 人的视觉系统 1.5.2 色度学基础 1.6 本书的安排 本章参考文献第2章
图像
采集 2.1
图像
数字化 2.1.1
图像
的数学模型 2.1.2 采样与量化 2.2 量化技术 2.2.1 标量量化 2.2.2 矢量量化 2.2.3 LBG算法与初始码书设计 2.3
图像
输入 2.3.1
图像
采集系统 2.3.2
图像
输入设备 2.4
图像
文件格式 2.4.1 BMP(位图)文件格式 2.4.2 GIF文件格式 2.4.3 JPEG文件格式 本章参考文献 第3章
图像
变换 3.1 傅里叶变换 3.1.1 一维傅里叶变换 3.1.2 二维傅里叶变换 3.1.3 二维离散傅里叶变换的性质 3.1.4 正交变换的基本概念 3.2 离散余弦变换 3.2.1 离散余弦变换的定义 3.2.2 离散余弦变换的快速实现 3.3 K-L变换 3.3.1 K-L变换的定义 3.3.2 K-L变换的性质 3.4 小波变换 3.4.1 连续小波变换 3.4.2 二进小波变换 3.4.3 离散小波变换 3.5 其他可分离变换 3.5.1 沃尔什变换 3.5.2 哈达玛变换 3.5.3 斜变换 本章参考文献 第4章
图像
增强 4.1 空间域单点增强 4.1.1 灰度变换 4.1.2 直方图修正 4.2
图像
平滑 4.2.1 噪声门限法 4.2.2 邻域平均法 4.2.3 加权平均法 4.2.4 中值滤波 4.2.5 掩膜平滑法 4.2.6 空间低通滤波 4.3
图像
锐化 4.3.1 微分算子方法 4.3.2 Sobel算子 4.3.3 拉普拉斯算子 4.3.4 统计差值法 4.3.5 掩膜匹配法 4.3.6 空间高通滤波 4.4
图像
滤波 4.4.1 低通滤波 4.4.2 同态滤波 4.4.3 高通滤波 4.5 彩色增强 4.5.1 假彩色处理 4.5.2 伪彩色处理 本章参考文献 第5章
图像
恢复 5.1
图像
退化的数学模型 5.1.1
图像
退化模型 5.1.2 点冲激函数的退化模型 5.1.3 连续
图像
退化模型 5.1.4 离散
图像
的退化模型 5.1.5 离散退化模型的求解 5.2 无约束
图像
恢复 5.2.1 最小二乘估计 5.2.2 运动模糊
图像
的恢复 5.3 有约束
图像
恢复 5.3.1 有约束的最小二乘
图像
恢复 5.3.2 维纳滤波 5.3.3 功率谱均衡恢复 5.3.4 有约束最小平方恢复 5.4
图像
几何校正 5.4.1 几何校正方法 5.4.2 空间几何坐标变换 5.4.3 重采样 本章参考文献 第6章
图像
编码与压缩 6.1
图像
编码基础 6.1.1
数据
压缩的概念 6.1.2
图像
压缩
的性能评价 6.2 统计编码 6.2.1 编码效率与冗余度 6.2.2 霍夫曼编码 6.2.3 香农-费诺编码 6.2.4 算术编码 6.3 预测编码 6.3.1 预测编码的基本原理 6.3.2 差值脉冲编码调制 6.3.3 最优线性预测 6.4 变换编码 6.4.1 变换编码系统结构 6.4.2 正交变换编码 6.4.3 小波变换编码简介 6.5 无失真压缩编码 6.5.1 引言 6.5.2 基于线性预测的无失真压缩 6.5.3 基于S+P变换的无失真压缩 6.5.4 基于第二代小波变换的无失真压缩 6.6 国际标准简介 6.6.1 JPEG 6.6.2 H.261建议 6.6.3 MPEG-1标准 6.6.4 MPEG-2标准 6.6.5 MPEG-4标准 6.6.6 MPEG-7标准 6.6.7 MPEG-21标准 本章参考文献 第7章
图像
边缘检测 7.1 边缘检测的基本概念 7.2 微分边缘检测算子 7.2.1 梯度方法 7.2.2 二阶微分算子 7.3 多尺度边缘检测 7.3.1 Marr-Hildretch边缘检测 7.3.2 Witkin尺度滤波理论 7.3.3 小波变换边缘检测 7.4 基于模糊增强的边缘检测 7.4.1 引言 7.4.2 单层次模糊增强简介 7.4.3 多层次模糊增强 7.4.4 基于多层次模糊增强的边缘提取 7.5 基于Snake模型的边缘检测 7.5.1 Snake模型的数学描述 7.5.2 基于Snake模型的边缘检测 7.6 曲面拟合边缘检测 本章参考文献 第8章
图像
分割 8.1
图像
分割的一般模型 8.2 基于阈值选取的
图像
分割方法 8.2.1 直方图阈值 8.2.2 最大熵阈值 8.2.3 二维直方图阈值 8.2.4 统计判决确定门限 8.2.5 局部阈值法 8.3 基于区域的
图像
分割方法 8.3.1 区域生长法 8.3.2 分裂-合并 8.4 基于边缘检测的
图像
分割 8.4.1 Hough变换原理 8.4.2 Hough变换应用 8.4.3 广义Hough变换 8.5 模糊分割技术 8.5.1 模糊阈值分割方法 8.5.2 基于二维直方图的模糊门限分割方法 本章参考文献 第9章
图像
特征分析 9.1 颜色特征分析 9.1.1 颜色的表示 9.1.2 颜色直方图 9.1.3 直方图不变特征量 9.1.4 颜色矩 9.2 纹理特征分析 9.2.1 空间自相关法 9.2.2 傅里叶功率谱法 9.2.3 共生矩阵法 9.2.4 基于邻域特征统计的纹理分析方法 9.2.5 灰度差分统计方法与行程长度统计法 9.2.6 用分数维描述纹理 9.2.7 Tamura纹理特征 9.3 形状特征分析 9.3.1 引言 9.3.2 基于轮廓的全局方法 9.3.3 基于轮廓的结构方法 9.3.4 基于区域的全局方法 9.3.5 基于区域的结构方法 本章参考文献 第10章
图像
配准 10.1
图像
配准基础 10.1.1
图像
配准的概念 10.1.2
图像
配准的一般模型 10.1.3 相似性测度 10.2 基于
图像
灰度的
图像
配准 10.2.1 互相关匹配方法 10.2.2 投影匹配算法 10.2.3 基于傅里叶变换的相位匹配方法 10.2.4
图像
矩匹配方法 10.3 基于
图像
特征的配准 10.3.1 算法步骤与特点 910.3.2
图像
预处理 10.3.3 特征选择 10.3.4
图像
匹配 10.4 最小二乘
图像
匹配方法 10.4.1 基本思想 10.4.2 基本算法 10.5 快速匹配方法 10.5.1 分层搜索算法 10.5.2 基于遗传算法的匹配方法 10.5.3 基于金字塔分级搜索的匹配方法 本章参考文献 第11章
图像
融合 11.1
图像
融合的基本原理 11.1.1 信息融合的概念 11.1.2 多源遥感
图像
融合 11.1.3
图像
融合的模型框架与算法 11.1.4 遥感
图像
融合效果的评价 11.2 小波变换融合法 11.2.1 传统的小波变换融合方法 11.2.2 基于特征的小波变换融合方法 11.3 基于
PCA
变换与小波变换的
图像
融合 11.3.1
PCA
(主分量分析)变换融合法 11.3.2 基于
PCA
变换与小波变换的融合算法 11.4 基于IHS变换与小波变换的
图像
融合 11.4.1 IHS变换融合法 11.4.2 基于IHS变换与小波变换的融合算法 本章参考文献 第12章
图像
分类 12.1
图像
分类的概念与原理 12.1.1
图像
分类的概念 12.1.2
图像
分类的原理 12.2 统计分类方法 12.2.1 监督分类 12.2.2 非监督分类 12.3 模糊分类方法 12.3.1 模糊集合 12.3.2 模糊关系 12.3.3 模糊分类 12.3.4 基于模糊关系的模式分类 12.3.5 模糊聚类方法 12.3.6 改进的模糊C-均值算法 12.4 神经网络分类方法 12.4.1 人工神经网络基础 12.4.2 神经网络监督分类方法 12.4.3 神经网络非监督分类方法 12.5 基于广义
图像
的神经网络遥感
图像
分类方法 12.5.1 广义
图像
12.5.2 算法的实现过程 12.5.3 实验结果与性能比较 12.6 基于证据理论与神经网络的遥感
图像
分类方法 12.6.1 证据理论 12.6.2 算法的实现过程 12.6.3 实验结果与性能比较 本章参考文献 第13章
图像
识别 13.1
图像
识别的基本原理 13.2 模板匹配识别技术 13.2.1 模板匹配一般模型 13.2.2 序贯相似性检测算法 13.3 神经网络
图像
识别技术 13.3.1 神经网络识别的一般模型 13.3.2 BP神经网络识别技术 13.3.3 Kohonen神经网络识别技术 13.4 模糊识别技术 13.4.1 隶属原则识别法 13.4.2 择近原则识别法 13.4.3 一种手写文字模糊识别技术 13.5 基于隐马尔可夫模型的识别技术 13.5.1 隐马尔可夫模型基础 13.5.2 基于隐马尔可夫模型的人脸识别 13.6 车牌识别技术 13.6.1 系统简介 13.6.2 车牌
图像
定位分割算法 13.6.3 车牌字符的识别 本章参考文献 第14章 c基于内容的
图像
检索 14.1 基于内容的
图像
检索概述 14.1.1 基于内容的检索 14.1.2 基于内容的
图像
检索 14.1.3 基于内容的
图像
检索相关技术 14.1.4 基于内容的
图像
检索系统 14.2 基于颜色特征的
图像
检索 14.2.1 直方图方法 14.2.2 中心矩法 14.2.3 参考颜色表法 14.2.4 颜色对方法 14.2.5 基于主色调的检索方法 14.2.6 结合空间信息的
图像
检索方法 14.3 基于纹理特征的
图像
检索 14.3.1 基于共生矩阵的纹理匹配 14.3.2 基于小波变换的纹理匹配 14.3.3 基于Gabor变换的纹理匹配 14.4 基于形状特征的
图像
检索 14.4.1 基于傅里叶描述的形状检索 14.4.2 基于形状矩的形状检索 本章参考文献 第15章
图像
数字水印技术 15.1
图像
数字水印技术概述 15.1.1 信息隐藏技术 15.1.2 数字水印技术 15.2 空域水印技术 15.3 DCT域
图像
水印技术 15.3.1 DCT域
图像
水印研究综述 15.3.2 算法实例 5.3.3 水印的稳健性测试 15.4 小波域
图像
水印技术 15.4.1 技术流程 15.4.2 基于低频子带方法 15.4.3 细节分量方法 15.4.4
利用
图像
编码的方法 15.4.5 Inoue算法 15.5 脆弱
图像
数字水印技术 15.5.1 脆弱
图像
数字水印的基本特征和研究状况 15.5.2 算法实例 本章参考文献
基于
PCA
的
图像
压缩
实现
基于
PCA
的
图像
压缩
实现 注:该内容为校内课程实验,仅供参考,请勿抄袭! 源码:P
PCA
-for-Image-Compession 摘要 随着计算机互联网的发展和
数据
的日益增长,如何高效的处理和传输海量
数据
成为大
数据
处理的瓶颈问题,尤其对于
图像
类
数据
,通常其占有空间大,包含信息量丰富,如何对
图像
数据
进行压缩吸引广大研究者们的注意。本文通过调研
PCA
图像
压缩
的相关工作,认为当前方法依赖于整个
数据
集,压缩效率低、占据内存量大的问题,本文提出一种分片
PCA
(P-
PCA
)
图像
压缩
算法,旨在通过对
图像
进行分片,并
【毕业设计/Matlab系列】基于
PCA
的
图像
压缩
算法实现(附matlab代码)
Date:2022.5.17 文章目录前言1、
PCA
原理分析2、实现效果图3、主要matlab代码 前言 在大学毕业设计的
时
候,课题要求实现《基于
PCA
的
图像
压缩
算法》,采用Matlab语言实现,效果图如下。
需要
相关代码可以在关注博主和订阅本专栏后加文章最后的QQ名片咨询博主。 1、
PCA
原理分析
PCA
即主成分分析技术,旨在
利用
降维的思想,把多指标转化为少数几个综合指标。
PCA
是K-L变换的一种特例,它将
数据
变换到一个新的坐标系统中,使得
数据
投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差
基于
PCA
的
图像
压缩
及人脸识别算法
基于
PCA
的
图像
压缩
及人脸识别算法一、
PCA
基础知识二、 算法分析与MATLAB仿真原始
数据
图像
的处理功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 一、
PCA
基础知识
PCA
(Principal Component Analys
机器视觉
4,445
社区成员
15,335
社区内容
发帖
与我相关
我的任务
机器视觉
图形图像/机器视觉
复制链接
扫一扫
分享
社区描述
图形图像/机器视觉
社区管理员
加入社区
获取链接或二维码
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