搜索资源列表
kl
- (1)应用9×9的窗口对上述图象进行随机抽样,共抽样200块子图象; (2)将所有子图象按列相接变成一个81维的行向量; (3)对所有200个行向量进行KL变换,求出其对应的协方差矩阵的特征向量和特征值,按降序排列特征值以及所对应的特征向量; (4)选择前40个最大特征值所对应的特征向量作为主元,将原图象块向这40个特征向量上投影,所获得的投影系数就是这个子块的特征向量。 (5)求出所有子块的特征向量。
kl
- (1)应用9×9的窗口对上述图象进行随机抽样,共抽样200块子图象; (2)将所有子图象按列相接变成一个81维的行向量; (3)对所有200个行向量进行KL变换,求出其对应的协方差矩阵的特征向量和特征值,按降序排列特征值以及所对应的特征向量; (4)选择前40个最大特征值所对应的特征向量作为主元,将原图象块向这40个特征向量上投影,所获得的投影系数就是这个子块的特征向量。 (5)求出所有子块的特征向量。 -(1) t
KLtransform
- (1)应用9×9的窗口对上述图象进行随机抽样,共抽样200块子图象; (2)将所有子图象按列相接变成一个81维的行向量; (3)对所有200个行向量进行KL变换,求出其对应的协方差矩阵的特征向量和特征值,按降序排列特征值以及所对应的特征向量; (4)选择前40个最大特征值所对应的特征向量作为主元,将原图象块向这40个特征向量上投影,所获得的投影系数就是这个子块的特征向量。 (5)求出所有子块的特征向量。 -(1) t
PCA_nvecs
- PCA转换之后,会得到按序排列的特征值和特征向量,取前n个,进行PCA投影-After PCA transformation, will be in descending order of eigenvalues and eigenvectors, fetch the first n months, for PCA projection