急！请教各位，基于pca和基于2dpca图像融合有啥区别呢？

Posted 2023-03-27

在matlab上PCA要转化为一维向量，而2DPCA不需要转化，就这个区别吗？

　　基于二维PCA对人脸进行识别，对图像有很好的降维作用，且识别率比pca好-PCA based on two-dimensional human face recognition, the image is very good landing peacekeeping role, and the recognition rate better than pca
　　[KPCAandPCA.rar] - 含有pca和kpca算法，具有很好的在图像处理方面的应用
　　[mySVM.rar] - 支持向量机方法，用matlab实现，用于分类检测、模式识别，人脸检测等
　　[LDA.rar] - Linear Discriminant Analysis算法，此压缩包中已经带有大量train和test的相关图片，用于做人脸识别。LDA算法也可以用于其他领域如语音信号处理，此代码仅供研究，请勿用于商业！
　　[DTCWT.zip] - 双树复小波变换 Dual-Tree Complex Wavelet Transform Pack - version 4.3 Nick Kingsbury, Cambridge University, June 2003. This pack includes the following
　　[Face_Recognition_Based_on_BP_Neural_Network.rar] - 将BP 神经网络用于人脸识别,建立了人脸识别模型,研究了样本采样训练、样本批量训练和样本完整 训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP 神经网络与 竞争选择处理过程。利
　　[pca2D.rar] - 用matlab实现了2dpca算法，基于ORL人脸数据库，识别率较高
　　[2dpca.rar] - 一种新的pca方法，2dpca,有中科院的ppt及相关资料追问

您这是把pudn的目录全给贴出来了？请问你知道pca和2dpca体现在matlab上有什么区别？

追答

不知道。行外人
我也是百度搜的

参考技术A pca需要先将图像矩阵转换为向量，而二维pca直接作用于图像矩阵，降维的效果优于pca，避免了使用奇异值等问题。

图像融合基于matlab高分辨率全色图PCA图像融合（含评价指标）含Matlab源码 2407期

⛄一、PCA图像融合简介

1 PCA变换
主成分分析是近年来在图像分析与模式识别领域研究较多的一种统计特征提取方法, 它是基于K-L分解, 是一种正交变换。PCA充分利用数据中的二阶的统计信息进行特征提取和降维, 旨在数据空间中找出一组正交向量, 这组向量能最大地表示数据的方差, 通过一个特殊的向量矩阵, 将原始数据从原来的高维空间投影到这组正交向量所张成的一个较低维的向量空间中, 从而达到对数据的降维, 降维后保留了数据的主要信息, 从而使数据更易于处理。PCA方法的优势在于数据压缩及对多维数据的降维, 它将原来具有一定相关性的多个指标, 重新组合成一组新互相无关的综合指标, 用这个新的指标来代替原来的指标[10]。

2 PCA变换的图像融合的算法
主成分分析 (PCA) 是一种常用的融合准则。使用PCA方法进行图像融合的常用方法有两种, 其一是用于高分辨率全色图像与低分辨率多光谱图像的融合, 用高分辨率全色图像代替由低分辨率多光谱图像提取出的第一主成分而得到同时具有高空间分辨率和高光谱分辨率的融合图像;其二是用于同分辨率图像的融合, 多以文献[10]的方法处理, 文献[11]将PCA应用于近似图像的融合, 其中, PCA方法决定了各近似图像融合时的权重, 当融合源图像相似时, 该方法近似于均值融合;当融合源图像之间具有某些共同特征时, 能够得到较好的融合效果;若融合图像之间的共同特征较少时, 则容易导致融合结果失真[12]。

⛄二、部分源代码

clear
clc
up=imread(‘0.tif’); %读图像
low=imread(‘1.tif’);
[low_R]=double(low(:,:,1)); %将每一页都转化为双精度（matlab读的图像为unite 8 8位无符号整数）
[low_G]=double(low(:,:,2));
[low_B]=double(low(:,:,3));

[M,N,color]=size(up);
low_Mx=0;
for i = 1 : M
for j = 1 : N
low_S = [low_R(i,j),low_G(i,j),low_B(i,j)]'; % 生成由R，G， B组成的三维列向量
low_Mx = low_Mx + low_S;
end
end

low_Mx = low_Mx / (M*N); % 计算三维列向量的平均值

low_Cx=0;

for i = 1 : M
for j = 1 : N
low_S = [low_R(i,j),low_G(i,j),low_B(i,j)]‘; % 生成由R，G， B组成的三维列向量
low_Cx = low_Cx + low_S*low_S’; %low_s’为转置
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]吴粉侠,李红,李洪星.基于NSCT变换和PCA的图像融合算法[J].航空计算技术. 2015,45(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除