2DPCA在图像特征提取中优于PCA的判定条件

主元分析(PCA)与二维主元分析(2DPCA)是两种典型的图像特征提取方法,它们所提取的图像特征的优劣可由重建误差来衡量。通过对PCA和2DPCA的重建误差分析发现,二者的重建误差在理论上相同,但在实际应用中取决于它们的样本协方差阵的估计准确度。本文以均方误差为度量给出了PCA与2DPCA样本协方差阵的估计准确度表达式,并由此得到2DPCA图像特征优于PCA的判定条件是2DPCA协方差阵的特征值平方和大于PCA。本文还指出行2DPCA与列2DPCA所提取的图像特征孰优孰劣也取决于它们各自协方差阵的特征值平方和的大小。在人脸图像库与人脸表情图像库上的实验验证了上述判定条件的正确性。

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。

基于PCA+2DPCA的人脸识别方法分析

阐述了基于主成分分析(Principal Component Analysis,PCA)和二维主成分分析(2DPCA)的人脸识别方法,分析了该方法在矩阵理论中的来源和算法,提出了PCA+2DPCA分析方法,并采用2DPCA求出特征向量,PCA进行最优压缩,从而降低了维数.

基于2DPCA的红外显微图像分析

为了提高光谱分解效率,提出一种基于光谱方向的2DPCA的光谱分解方法,该方法可以直接利用原始图像矩阵进行光谱分解。通过对兔子动脉和多层油漆中红外显微图像的分解实验,验证了2DPCA光谱分解方法的可行性和有效性。实验表明,当光谱数大于通道数时,采用2DPCA的光谱分解效率高于PCA的光谱分解效率,并且随着光谱数与通道数比值的增大,2DPCA的优势更明显。

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。

随机采样的2DPCA人脸识别方法

在2DPCA的基础上提出一种随机采样的2DPCA人脸识别方法--RRS-2DPCA.同传统通过对特征或投影向量进行采样的方法不同的是,RRS-2DPCA(Row Random Sampling 2DPCA)将随机采样建立于图像的行向量集中,然后在行向量子集中执行2DPCA.在ORL、Yale和AR人脸数据集上进行实验,结果表明RRS-2DPCA不仅具很好的识别性能和运算效率,而且对参数具有很大的稳定性.另外针对2DPCA和RRS-2DPCA对光线、遮挡等不鲁棒问题,进一步提出了局部区域随机采样的2DPCA方法LRRS-2DPCA(Local Row Random Sampling 2DPCA),将RRS-2DPCA执行在人脸图像的局部区域中.实验结果表明LRRS-2DPCA不仅具有较好的鲁棒性更大大的提高了RRS-2DPCA的识别性能.

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。

基于2DPCA的遥感图像融合算法研究

基于PCA的遥感图像融合算法思想简单,实现起来较容易,而且遥感图像融合的性能也较好。但这种方法也有一些缺点:①不能有效利用图像的结构信息;②光谱信息损失较多;③灵活性较差。针对这些问题,首次提出了一种基于2DPCA的遥感图像融合算法。与PCA融合算法相比,基于2DPCA的融合算法的主要特点是:①直接对图像矩阵进行2DPCA分析,因而可以有效利用图像的二维结构信息;②多光谱图像的特征矩阵主成分的替换个数可以是一个或多个,这样就可以调节光谱信息的保持程度和空间分辨率的改善程度,从而获得不同融合质量的图像,具有更好的灵活性;③融合后的图像不仅光谱信息得到了较好保持,空间分辨率获得了明显改善,而且图像色彩也得到了增强。

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大。二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征数量仍然较大,影响分类速度。针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度。

基于2DPCA的金属断口图像识别方法研究

针对PCA在金属断口图像处理中容易引发的维数灾难问题,提出了一种基于2DPCA的金属断口图像识别方法研究。在提出的方法中,2DPCA以最大化类间散度为准则,其协方差矩阵由原始图像矩阵直接构造。同时将提出的方法与基于PCA识别方法相比较。由实验结果可知:本文提出的识别方法计算量小且识别率也高于PCA识别方法。另外,选取合适的特征空间维数十分重要。当选取特征空间维数过小时,图像信息不完善,识别率低,而当特征空间维数过大时,图像信息冗余,计算量会加大。

基于2DPCA的颅骨识别研究

阐述了基于主成分分析和二维主成分分析的颅骨识别方法,比较了两种特征提取算法,通过比较得出:二维主成分分析速度快,不需要经过一个降维的过程,而且识别率高.在获得颅骨的三维几何信息后,对数据进行特征提取时采取的是二维主成分分析方法,从而提取颅骨图像的关键特征,最后利用常用的最近邻法则进行识别.

基于小波变换和2DPCA的人脸识别方法

主成分分析(Principal Component Analysis,PCA)方法是模式识别技术中经典的特征提取和降维技术之一。在传统的PCA基础上,提出了二维主成分分析(Two-Dimensional Principal Component Analysis,2DPCA)方法。针对二维主成分分析在特征提取和数据降维上存在的缺点,提出一种综合的方法—在小波变换的基础上,对人脸数据库进行二维主成分分析。实验结果表明,该方法不仅实现了降维,而且能取得比传统主成分分析和二维主成分分析更好的识别性能。

一种新的基于2DPCA的遥感图像融合方法

作为一种图像融合的重要技术,PCA已在遥感领域得到了较为广泛的应用。但这种方法也有缺点:首先,在对图像进行PCA分析时需将图像转换为一维向量来实现,从而不能有效利用图像的结构信息;其次,融合后的图像空间分辨率改善明显,但光谱信息损失严重。为解决些问题,我们提出了一种基于2DPCA的遥感图像融合方法。与PCA融合方法相比,该方法的主要特点为:首先,2DPCA是直接对图像矩阵进行,而不是对一维向量,这样就可以有效利用图像的结构信息;其次,融合后的图像不仅空间分辨率大大提高,而且保持了良好的光谱信息。本文的研究和实验证明这种新的图像融合方法是有效的。

一种基于2DPCA - AdaBoost 的人脸检测算法

主成分分析法（Principal Component Analysis，PCA）作为最成功的线性鉴别方法之一，目前仍然被广泛应用于人脸等数字图像处理领域；AdaBoost 是一种具有自适应学习能力的机器学习算法。本文将二维主成分分析和 AdaBoost 结合改进了原来的算法，即2DPCA - AdaBoost 算法。该算法首先对图像进行预处理，然后用2DPCA 算法对人脸图像进行训练形成特征脸空间，结合AdaBoost 学习算法将多个弱分类器组合成强分类器。实验结果证明，改进的算法提高了人脸检测率，降低了错误检测数。

PCA与2DPCA的关系

主成分分析和二维主成分分析是两种经典的数据变换方法。尽管许多学者对PCA和2DPCA进行了大量的研究和实验,但并未给出PCA与2DPCA之间的联系。文中给出二者之间的联系,即PCA与2DPCA在优化时具有相同的最优目标值,同时通过理论推导和在CMU-PIE与CK+库上的实验证明了这一观点。

基于2DPCA和改进的LDA算法的人脸识别技术

为提高人脸识别的准确率,缩短图像特征提取的时间,提出了一种将二维主成分分析(简称2DPCA)与改进的线性鉴别分析(简称LDA)相结合的人脸识别方法。该法首先以图像矩阵为分析对象,直接利用原始图像矩阵构造图像的协方差矩阵,以进行特征提取和2DPCA分析;再采用改进的线性鉴别分析,得到最佳的分类特征,从理论上有效解决了传统的线性鉴别分析在人脸识别中存在的"边缘类"问题;最后,在ORL人脸库上检验了该识别方法的性能。实验结果表明,该方法抽取的鉴别特征有较强的鉴别能力。

基于图像预处理下的2DPCA及人脸识别

对人脸图像进行离散小波变换来消除部分对识别无关的信息,以提高识别率并有效降低时间复杂度。同时为了抑制光照等外界条件的负面影响,还引入一种对图像灰度进行指数衰减的预处理策略,对预处理后的人脸图像采用二维主成分分析方法进行人脸识别。在YALE和ORL人脸库上试验表明,结合图像预处理的二维主成分分析(2DPCA)方法有着比PCA以及2DPCA更好的识别效果。

人脸识别中PCA,2DPCA以及分块PCA的性能分析与比较

PCA,即Principal Component Analysis,主成分分析方法,是一种得到广泛应用的人脸识别方法。近年来,为了减少传统PCA的计算开销,出现了2DPCA和分块PCA。PCA将图像看作向量而2DPCA将图像看作矩阵,分块PCA则将图像分块运用不同的PCA算法。对PCA,2DPCA以及分块PCA的思想进行了介绍,并通过实验对他们的性能进行了比较,总结了主要的优缺点。

基于2DPCA+PCA与SVM的人脸识别

为了提高传统PCA与SVM相结合的人脸识别算法的性能,文中提出了一种基于双向压缩的2DPCA+PCA与遗传算法SVM相结合的人脸识别算法。该算法采用双向压缩的2DPCA与PCA相结合的算法来进行人脸特征提取,有效地减少了特征数量和PCA模型的计算时间;在与SVM相结合时,其训练时间和识别时间都有所降低,且提高了识别率;同时为了进一步提高SVM的性能,文中采用遗传算法来进行SVM参数寻优,并使用交叉测试识别率来作为适应度函数。在ORL人脸库上的实验表明,该算法的性能明显高于传统PCA与SVM相结合的人脸识别算法。

2DPCA versus PCA for face recognition

Dimensionality reduction methods play an important role in face recognition. Principal component analysis(PCA) and two-dimensional principal component analysis(2DPCA) are two kinds of important methods in this field. Recent research seems like that 2DPCA method is superior to PCA method. To prove if this conclusion is always true, a comprehensive comparison study between PCA and 2DPCA methods was carried out. A novel concept, called column-image difference(CID), was proposed to analyze the difference between PCA and 2DPCA methods in theory. It is found that there exist some restrictive conditions when2 DPCA outperforms PCA. After theoretical analysis, the experiments were conducted on four famous face image databases. The experiment results confirm the validity of theoretical claim.