基于主分量线性判别方法人脸识别系统的实现

人脸识别是计算机视觉和模式识别领域的一个活跃课题,有着十分广泛的应用前景。给出了一种基于PCA和LDA方法的人脸识别系统的实现。首先该算法采用奇异值分解技术提取主成分,然后用F isher线性判别分析技术来提取最终特征,最后将测试图像的投影与每一训练图像的投影相比较,与测试图像最接近的训练图像被系统识别出,图像的比较采用了欧几里德距离,仿真结果表明了该方法的有效性。     

基于SVD的图像水印算法缺陷分析

介绍了矩阵奇异值分解的基本原理,分析了现有基于SVD的图像水印算法的缺陷.这种缺陷导致了提取出的水印结果并不是先前嵌入的水印,这样就无法应用于版权保护.     

基于局部线性嵌入与主成分分析的优化的RBF降水预报模型

针对用主成分分析算法对非线性数据降维,存在丢失局部结构数据信息的不足,提出了将主成分分析与局部线性嵌入相结合的正交投影降维算法。首先采用主成分分析方法降维可算出特征空间矩阵,然后采用局部线性嵌入方法降维后提取特征空间矩阵,再将这两种方法获得的特征空间矩阵正交投影进行降维的主要信息作为预报因子,最后利用优化的径向基函数RBF建立网络模型,以此对广西5月区域日降水量进行降水预报,结果显示,该模型在预报性能上优于同期的T213日降水预报。     

基于SVD的图像水印算法缺陷分析及对策

介绍了矩阵奇异值分解的基本原理,分析了现有基于SVD的图像水印算法的缺陷。这种缺陷导致了提取出的水印结果并不是先前嵌入的水印,这样就无法应用于版权保护。结合最新的SVD研究成果,提出了一种相对可靠的解决办法。     

基于奇异值分解的简化数据应用

奇异值分解是提取数据特征信息的一种强大工具,其应用可以从信息检索领域扩展到金融、医疗、统计学等各领域,是简化数据、相似度计算的一种有效方法。对奇异值分解原理和特性进行阐述,介绍了基于Python与其相关科学计算库的奇异值分解过程和相似度算法,解释了将庞大的数据矩阵映射到低维空间的转换过程,图像数据通过奇异值分解较原始图像压缩了近8倍。分别对SVD在推荐系统和图像压缩两方面的具体应用进行描述,总结出奇异值分解在数据降维中的强大应用和良好前景。     

基于SVD和ICA的全息水印算法

基于奇异值分解和独立分量分析,提出一种新的数字全息水印算法。该算法利用全息图的特点,采用数字全息图代替普通的二值图像作为水印图像,提高了水印算法的安全性。奇异值分解被应用于水印的嵌入过程中以提高水印算法抗几何攻击能力,并借助于独立分量分析实现全息水印图像的盲提取。实验结果表明,该算法能有效地抵抗JPEG 压缩、加噪、声滤波和对比度增强等常规攻击,同时,对旋转、平移、翻转和缩放等几何攻击也具有一定的鲁棒性。     

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。     

一种基于广义奇异值分解的无关联线性判别分析算法

有监督学习旨在样本数据集中找到最优判决向量。线性判别分析（LDA）和无关联线性判别分析（ULDA）是解决该问题的常用方法。研究中改进了古曲LDA方法使其与ULDA等价,并给出了相应求判决向量的ULDA/QR算法来简化ULDA中对判决向量的求解;为了有效地解决LDA方法和ULDA方法中类内散布矩阵奇异性的问题,提出了一种基于ULDA/QR,正则LDA和广义奇异值分解（GSVD）的无关联线性判别分析算法。     

基于主成分分析的特征脸提取及人脸识别实现

基于主成分分析的方法,对OLR人脸图像样本库做特征脸提取,然后作人脸识别。依据SVD定理及其推论,使得计算特征值和特征向量在计算机上实现成为可能。从而使得提取的特征脸组成的特征空间从原来的高维空间降到了低维空间,这为后续的人脸识别研究打下了基础。