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。
texture
- 实现用matlab求矩阵最大特征值的特征向量
calcPCA
- opencv 中用calcPCA 计算矩阵特征向量和特征值
pcacode
- 程序设计步骤： 1、去均值 2、计算协方差矩阵及其特征值和特征向量 3、计算协方差矩阵的特征值大于阈值的个数 4、降序排列特征值 5、去掉较小的特征值 6、去掉较大的特征值(一般没有这一步） 7、合并选择的特征值 8、选择相应的特征值和特征向量 9、计算白化矩阵 10、提取主分量
matlab-PCA 基于matlab的PCA人脸识别完成程序
- 基于matlab的PCA人脸识别完成程序，包含特征值与特征向量的提取、训练样本以复制到matlab即可，成功运行，及最后的识别检验-A full implementation of ICA,PCA,LDA,SVM,in both orginal and incremental in model of real time learnign for face recognition
svd
- svd 计算特征值，可以用于图像或者其他向量特征提取-svd calculate the eigenvalues
tezhengzhi
- 北航数值分析大作业，计算特征值.计算矩阵特征值及特征向量-Numerical analysis of Northern Great job, calculate the eigenvalues
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) the application of 9 × 9 window
PCA
- PCA主成分分析用于人脸识别，提取特征值特征向量。有ORL人脸库。-PCA principal component analysis for face recognition, extraction Eigenvalue eigenvector. Have ORL face database.
eigdec
- 此程序可以用来求数据样本的特征值和对应的特征向量，并使其按从大到小的次序排列-This procedure can be used to seek data on the characteristics of the sample values and the corresponding eigenvector, and its order in accordance with the smallest
pca
- 主元分析求取特征值和特征向量，用于直线倾角检测,及此倾角下的直线分布长度-The PCA is used to detect lines and the angles of lines
ImagePCA
- 该类计算图像的主分量,特征值,特征向量,并且使用主分量重构.-The main components of such calculation of the image, feature values, feature vectors, and the use of principal component reconstruction.
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
juzhentezhengzh
- 矩阵特征值和特征向量的计算，vc实现代码-Matrix eigenvalue and eigenvector calculation, vc achieve code
PCA_K
- PCA的思想为将图像的协方差矩阵分解，获得分解后的方向向量。然后将数据分别投影到某一个方向上去，获得与原图象近似的图像。当然,与最大特征值所对应的特征向量方向获得最好的图像。因此，PCA方法可以作为降维的一种方法。留下在某些方向较好的图像，而抛弃那些在另外一些方向上不好的图像。-PCA ideas as to decompose the covariance matrix of the image, the direction vector obtained after decompositio
CLASSICALMUSIC1
- MUSIC算法[1] 是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱，所有空间方位谱中的峰值位置对应信号的来波方位。MUSIC算法大大提高了测向分辨率，同时适应于任意形状的天线阵列
pca2
- 读图 mix imread( romems.jpg ) pan imread( rome_pan.jpg ) 显示原多光谱图 subplot(221) imshow(mix),title( 多光谱 ) subplot(222) imshow(pan),title( 全色图像 ) 预处理 mix double(mix)/255 pan double(pan)/255 求相关矩阵 [r c bands] size(mix) p
Hessian
- 使用海森矩阵，根据特征值，特征向量分割一些特征明显的目标(For Hessian matrix analysis)
LBP
- （1）计算图像中每个像素点的LBP模式(等价模式,或者旋转不变+等价模式)。 （2）然后计算每个cell的LBP特征值直方图，然后对该直方图进行归一化处理(每个cell中，对于每个bin,h[i]/=sum,sum就是一副图像中所有等价类的个数)。 （3）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量； 然后便可利用SVM或者其他机器学习算法进行分类识别了。((1) calculate the LBP pattern of each p
主成分分析
- 主成分分析PCA源码分析，使用matlab编程，是一种降维方法，通过计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值特征向量，选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中，实现数据特征的降维。