王怡田


摘 要:特征抽取是模式识别研究中的基本。就图像识别而言,抽取有效的图像特征在完成识别任务中十分重要。线性和非线性投影分析在特征抽取中是比较经典且应用范围最广的方法,且取得了成功,在线性和非线性投影分析中主要是处理模式中的特征,不适合大量的表示数据特征中的融合与抽取。
关键词:图像识别;特征提取;图像识别
中图分类号: TP391 文献标识码: A 文章编号: 1673-1069(2016)14-158-2
0 引言
主成分分析的基本思路是找出最优的单位正交矢量集,在线性组合下重建原始样本,重建后样本和原样本间会出现比较小的误差。一般情况下会采用训练样本协方差矩阵方法作为开展基,选择适合的若干最大非零特征的特征向量最终成为主成分或是主分量,模式样本在主成分中的投影系数被称为主成分特征。
1 非线性投影分析
1.1 在流形基础上的特征提取
复杂高维模式样本可能会通过一组维数中出现严重低于样本特征维数实现确定。就几何学而言,上述属性数据简称为流形。将流形假设当成基础,利用流形中的基本性质,研究高维空间数据并简化数据,降低维数,对复杂式的内在规律学习方法进行探寻叫作流形学习。更加严格的表述是:假设数据是均匀采样在一个高维空间中的低维流形,求得对应的嵌入映射,目的是实现维数约减或者是对其可视化需求进行满足。Seung等人在2000年站在的认知角度上对流形角度开展了讨论,确定感知是在流形的方式下存在,并在实验中证明了人脑的确存在稳态流形,这就是在模式识别以及人类的感知中构架其连同桥梁,使得流形学习存在了较为坚实的理论基础。……