1、word 模式識(shí)別導(dǎo)論 期末大作業(yè)2022-2022-2學(xué)期 第 3 組學(xué)號(hào)姓名工作量(%)08007204李雙1008007205陳書瑜3508007218王健勇1008007236梁文卓3508007243仲紅月10 模式識(shí)別 大作業(yè)人臉識(shí)別方法一- 基于PCA和歐幾里得距離判據(jù)的模板匹配分類器一、 理論知識(shí)1、主成分分析主成分分析是把多個(gè)特征映射為少數(shù)幾個(gè)綜合特征的一種統(tǒng)計(jì)分析方法。在多特征的研究中，往往由于特征個(gè)數(shù)太多，且彼此之間存在著一定的相關(guān)性，因而使得所觀測(cè)的數(shù)據(jù)在一定程度上有信息的重疊。當(dāng)特征較多時(shí)，在高維空間中研究樣本的分布規(guī)律就更麻煩。主成分分析采取一種降維的方法，找出幾個(gè)

2、綜合因子來代表原來眾多的特征，使這些綜合因子盡可能地反映原來變量的信息，而且彼此之間互不相關(guān)，從而到達(dá)簡(jiǎn)化的目的。主成分的表示相當(dāng)于把原來的特征進(jìn)行坐標(biāo)變換乘以一個(gè)變換矩陣，得到相關(guān)性較小嚴(yán)格來說是零的綜合因子。1.1 問題的提出一般來說，如果N個(gè)樣品中的每個(gè)樣品有n個(gè)特征，經(jīng)過主成分分析，將它們綜合成n綜合變量，即由以下原那么決定：1、和，i,j = 1,2,.n相互獨(dú)立；2、y的排序原那么是方差從大到小。這樣的綜合指標(biāo)因子分別是原變量的第1、第2、第n個(gè)主分量，它們的方差依次遞減。1.2主成分的導(dǎo)出我們觀察上述方程組，用我們熟知的矩陣表示，設(shè)是一個(gè)n維隨機(jī)向量，是滿足上式的新變量所構(gòu)成的向

3、量。于是我們可以寫成Y=CX,C是一個(gè)正交矩陣，滿足CC=I。坐標(biāo)旋轉(zhuǎn)是指新坐標(biāo)軸相互正交，仍構(gòu)成一個(gè)直角坐標(biāo)系。變換后的N個(gè)點(diǎn)在軸上有最大方差，而在軸上有最小方差。同時(shí)，注意上面第一條原那么，由此我們要求軸和軸的協(xié)方差為零，那么要求令，那么經(jīng)過上面式子的變換，我們得到以下n個(gè)方程1.3主成分分析的結(jié)果我們要求解出C，即解出上述齊次方程的非零解，要求的系數(shù)行列式為0。最后得出結(jié)論是的根，的方差為。然后選取前面p個(gè)奉獻(xiàn)率大的分量，這樣就實(shí)現(xiàn)了降維。也就是主成分分析的目標(biāo)。二、 實(shí)現(xiàn)方法1、 獲取數(shù)據(jù)。在編程時(shí)具體是把一幅二維的圖像轉(zhuǎn)換成一維的；2、 減去均值。要使PCA正常工作，必須減去數(shù)據(jù)的均

4、值。減去的均值為每一維的平均，所有的x值都要減去，同樣所有的y值都要減去，這樣處理后的數(shù)據(jù)都具有0均值；3、 計(jì)算協(xié)方差矩陣；4、 計(jì)算協(xié)方差矩陣的特征矢量和特征值。因?yàn)閰f(xié)方差矩陣為方陣，我們可以計(jì)算它的特征矢量和特征值，它可以告訴我們數(shù)據(jù)的有用信息；5、選擇成分組成模式矢量現(xiàn)在可以進(jìn)行數(shù)據(jù)壓縮降低維數(shù)了。如果你觀察上一節(jié)中的特征矢量和特征值，會(huì)注意到那些特征值是十分不同的。事實(shí)上，可以證明對(duì)應(yīng)最大特征值的特征矢量就是數(shù)據(jù)的主成分。對(duì)應(yīng)大特征值的特征矢量就是那條穿過數(shù)據(jù)中間的矢量，它是數(shù)據(jù)維數(shù)之間最大的關(guān)聯(lián)。一般地，從協(xié)方差矩陣找到特征矢量以后，下一步就是按照特征值由大到小進(jìn)行排列，這將給出成

5、分的重要性級(jí)別?，F(xiàn)在，如果你喜歡，可以忽略那些重要性很小的成分，當(dāng)然這會(huì)喪失一些信息，但是如果對(duì)應(yīng)的特征值很小，你不會(huì)喪失很多信息。如果你已經(jīng)忽略了一些成分，那么最后的數(shù)據(jù)集將有更少的維數(shù)，精確地說，如果你的原始數(shù)據(jù)是n維的，你選擇了前p個(gè)主要成分，那么你現(xiàn)在的數(shù)據(jù)將僅有p維。現(xiàn)在要做的是你需要組成一個(gè)模式矢量，這只是幾個(gè)矢量組成的矩陣的一個(gè)有意思的名字而已，它由你保持的所有特征矢量構(gòu)成，每一個(gè)特征矢量是這個(gè)矩陣的一列。6、獲得新數(shù)據(jù)這是PCA最后一步，也是最容易的一步。一旦你選擇了須要保存的成分特征矢量并組成了模式矢量，我們簡(jiǎn)單地對(duì)其進(jìn)行轉(zhuǎn)置，并將其左乘原始數(shù)據(jù)的轉(zhuǎn)置：其中rowFeatur

6、eVector是由特征矢量作為列組成的矩陣的轉(zhuǎn)置，因此它的行就是原來的特征矢量，而且對(duì)應(yīng)最大特征值的特征矢量在該矩陣的最上一行。rowdataAdjust是減去均值后的數(shù)據(jù)，即數(shù)據(jù)工程在每一列中，每一行就是一維。FinalData是最后得到的數(shù)據(jù)，數(shù)據(jù)工程在它的列中，維數(shù)沿著行。FinalData = rowFeatureVector * rowdataAdjust這將僅僅給出我們選擇的數(shù)據(jù)。我們的原始數(shù)據(jù)有兩個(gè)軸x和y，所以我們的原始數(shù)據(jù)按這兩個(gè)軸分布。我們可以按任何兩個(gè)我們喜歡的軸表示我們的數(shù)據(jù)。如果這些軸是正交的，這種表達(dá)將是最有效的，這就是特征矢量總是正交的重要性。我們已經(jīng)將我們的數(shù)據(jù)

7、從原來的xy軸表達(dá)變換為現(xiàn)在的單個(gè)特征矢量表達(dá)。如果我們已經(jīng)忽略了一些特征矢量，那么新數(shù)據(jù)將會(huì)用我們保存的矢量表達(dá)。三、 matlab編程matlab程序分為三局部。程序框圖如以下圖所示。這個(gè)函數(shù)將源圖像提取成特征臉，然后比擬它們之間的歐幾里得距離這個(gè)函數(shù)首先得到二維數(shù)組，包括所有的訓(xùn)練樣本向量并且從訓(xùn)練樣本中返回3個(gè)輸出量這個(gè)函數(shù)將所有訓(xùn)練樣本的二維圖像轉(zhuǎn)換成一維列向量。接著，它把這些一維列向量組合到一行里面構(gòu)造出二維向量T，即每個(gè)單元的信息量是一幅圖片mainEigenfaceCoreRecognitionCreatDataBase四、 總結(jié)從書里看我覺得最讓人明白模板匹配分類器的一段話，

8、就是“譬如A類有10個(gè)訓(xùn)練樣品，就有10個(gè)模板，B類有8個(gè)訓(xùn)練樣品，就有8個(gè)模板。任何一個(gè)待測(cè)樣品在分類時(shí)與這18個(gè)模板都算一算相似度，找出最相似的模板，如果該模板是B類中的一個(gè)，就確定待測(cè)樣品為B類，否那么為A類。意思很簡(jiǎn)單吧，算相似度就是算距離。就是說，模板匹配就要用你想識(shí)別的樣品與各類中每個(gè)樣品的各個(gè)模板用距離公式計(jì)算距離，距離最短的那個(gè)就是最相似的。實(shí)驗(yàn)結(jié)果說明識(shí)別率達(dá)90%。這樣的匹配方法明顯的缺點(diǎn)就是在計(jì)算量大，存儲(chǔ)量大，每個(gè)測(cè)試樣品要對(duì)每個(gè)模板計(jì)算一次相似度，如果模板量大的時(shí)候，計(jì)算量就十分的大。五、 參考文獻(xiàn)【1】 邊肇其，張學(xué)工.模式識(shí)別【M】.第2版.北京.：清華大學(xué)出版社

9、，2000【2】 周杰，盧春雨，張長(zhǎng)水，李衍達(dá)，人臉自動(dòng)識(shí)別方法綜述【J】.電子學(xué)報(bào)，2000，54：102-106六、 附錄matlab 程序代碼第一局部：CreatDatabase.mfunction T = CreatDatabase(TrainDatabasePath)%一系列人臉訓(xùn)練樣本T1,T2,，TM%函數(shù)描述：這個(gè)函數(shù)將所有訓(xùn)練樣本的二維圖像轉(zhuǎn)換成一維列向量。接著，它把這些一維列向量組合到一行里面構(gòu)造出二維向量T，即每個(gè)單元的信息量是一幅圖片%參數(shù)： TrainDatabasePath - 訓(xùn)練數(shù)據(jù)庫(kù)的路徑%返回值：T -%一個(gè)二維矩陣，包含了所有一維向量。假設(shè)所有在訓(xùn)練樣本的

10、P幅圖像擁有相同的大小M*N。因此，這些一維向量的長(zhǎng)度是M*N而且T將是一個(gè)MN*P的二維%矩陣%文件處理%TrainFiles = dir(TrainDatabasePath);Train_Number = 0;for i = 1:size(TrainFiles,1) t = size(TrainFiles,1); if not(strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,Thumbs.db) Train_Number = Train_Number + 1; enden

11、d%從一維數(shù)組構(gòu)造成二維數(shù)組%T = ;for i = 1: Train_Number str = int2str(i); str = strcat(,str,.pgm); str = strcat(TrainDatabasePath,str); img = imread(str); irow icol = size(img); temp = reshape(img,irow*icol,1);%將二維數(shù)組變成一維數(shù)組 T = T temp;end第二局部：EigenfaceCore.mfunction m,A,Eigenfaces = EigenfaceCore(T)%利用主成分分析PCA的方

12、法在各張人臉中決定最明顯的特征%描述：這個(gè)方程首先得到二維數(shù)組，包括所有的訓(xùn)練樣本向量并且從訓(xùn)練樣本中返回3個(gè)輸出量%參數(shù)：T - 一個(gè)二維矩陣，包含了所有一維向量。假設(shè)所有在訓(xùn)練樣本的P幅圖像擁有相同的大小M*N。因此，這些一維向量的長(zhǎng)度是M*N而且T將是一個(gè)MN*P的二維%矩陣%返回值： m -M*Nx1訓(xùn)練樣本的均值% Eigenfaces - (M*Nx(P-1)訓(xùn)練樣本協(xié)方差矩陣的特征向量% A - M*NxP 中心向量的矩陣%計(jì)算均值%m = mean(T,2); %計(jì)算樣本平均值 m = (1/P)*sum(Tjs)Train_Number = size(T,2);%計(jì)算每個(gè)圖像

13、與均值的差%要使PCA正常工作，必須減去數(shù)據(jù)的均值。減去的均值為每一維的平均，所有的x值都要減去，同樣所有的y值都要減去%這樣處理后的數(shù)據(jù)都具有0均值%A = ;for i = 1 : Train_Number temp = double(T(:,i) - m; A = A temp; %再次合并矩陣end%計(jì)算協(xié)方差矩陣%計(jì)算協(xié)方差矩陣的特征矢量和特征值%L = A*A; %L代表協(xié)方差矩陣 C = A*A.V D = eig(L);%計(jì)算矩陣A的特征值D(eigenvalues)和特征矩陣V(eigenvectors)%選擇成分組成模式矢量%L_eig_vec = ;for i = 1:s

14、ize(V,2) if(D(i,i)1) L_eig_vec = L_eig_vec V(:,1); endend%計(jì)算協(xié)方差矩陣的特征向量%Eigenfaces = A * L_eig_vec;第三局部：Recognition.mfunction OutputName = Recognition(TestImage, m, A, Eigenfaces)%函數(shù)描述：這個(gè)函數(shù)將源圖像提取成特征臉，然后比擬它們之間的歐幾里得距離%輸入量: TestImage -測(cè)試樣本的路徑% m -M*Nx1訓(xùn)練樣本的均值% Eigenfaces - (M*Nx(P-1)訓(xùn)練樣本協(xié)方差矩陣的特征向量% A -

15、M*NxP 中心向量的矩陣%返回值： OutputName -在訓(xùn)練樣本中的被識(shí)別的圖像的名字%從中心向量中提取特征臉%ProjectedImages = ;Train_Number = size(Eigenfaces,2);for i = 1:Train_Number temp = Eigenfaces * A(:,i) ProjectedImages = ProjectedImages temp;end%從測(cè)試樣本中提取PCA特征%InputImage = imread(TestImage);temp = InputImage(:,:,1);irow icol = size(temp);I

16、nImage = reshape(temp,irow*icol,1);Difference = double(InImage) - m;ProjectedTestImage = Eigenfaces*Difference;%計(jì)算歐幾里得幾何距離%Euc_dist = ;for i = 1 : Train_Number, q = ProjectedImages(:,i); temp = (norm(ProjectedTestImage - q)2; Euc_dist = Euc_dist temp;end%找出A中最小元素及其索引，把最小值返回給C，最小值索引返回給I。 %如果有幾個(gè)相同的最小值

17、，那么返回第一個(gè)被發(fā)現(xiàn)的索引。Euc_dist_min, Recognized_index = min(Euc_dist);OutputName = strcat(int2str(Recognized_index),.pgm);主程序clear allclcclose allTrainDatabasePath = uigetdir(C:MATLAB7workPCA, Select training database path );TestDatabasePath = uigetdir(C:MATLAB7workPCA, Select test database path);prompt = E

18、nter test image name(a number between 1 to 10):;dlg_title = Input of PCA_Based Face Recognition System;num_lines = 1;def = 1;TestImage = inputdlg(prompt,dlg_title,num_lines,def);TestImage = strcat(TestDatabasePath,char(TestImage),.pgm);im = imread(TestImage);T = CreatDatabase(TrainDatabasePath);m, A

19、, Eigenfaces = EigenfaceCore(T);OutputName = Recognition(TestImage, m, A, Eigenfaces);SelectedImage = strcat(TrainDatabasePath,OutputName);SelectedImage = imread(SelectedImage);imshow(im)title(Test Image);figure, imshow(SelectedImage);title(Equivalent Image);str = strcat(Matched image is : , OutputN

20、ame);disp(str) 模式識(shí)別 大作業(yè)人臉識(shí)別方法二- 基于PCA和FLD的人臉識(shí)別的線性分類器一、理論知識(shí)1、 fisher概念引出在應(yīng)用統(tǒng)計(jì)方法解決模式識(shí)別問題時(shí)，為了解決“維數(shù)災(zāi)難的問題，壓縮特征空間的維數(shù)非常必要。fisher方法實(shí)際上涉及到維數(shù)壓縮的問題。fisher分類器是一種幾何分類器, 包括線性分類器和非線性分類器。線性分類器有：感知器算法、增量校正算法、LMSE分類算法、Fisher分類。假設(shè)把多維特征空間的點(diǎn)投影到一條直線上，就能把特征空間壓縮成一維。那么關(guān)鍵就是找到這條直線的方向，找得好，分得好，找不好，就混在一起。因此fisher方法目標(biāo)就是找到這個(gè)最好的直線方

21、向以及如何實(shí)現(xiàn)向最好方向投影的變換。這個(gè)投影變換恰是我們所尋求的解向量，這是fisher算法的根本問題。樣品訓(xùn)練集以及待測(cè)樣品的特征數(shù)目為n。為了找到最正確投影方向，需要計(jì)算出各類均值、樣品類內(nèi)離散度矩陣和總類間離散度矩陣、樣品類間離散度矩陣，根據(jù)Fisher準(zhǔn)那么，找到最正確投影準(zhǔn)那么，將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影，投影到一維Y空間，由于Y空間是一維的，那么需要求出Y空間的劃分邊界點(diǎn)，找到邊界點(diǎn)后，就可以對(duì)待測(cè)樣品進(jìn)行進(jìn)行一維Y空間的投影，判斷它的投影點(diǎn)與分界點(diǎn)的關(guān)系，將其歸類。Fisher法的核心為二字：投影。二、 實(shí)現(xiàn)方法(1) 計(jì)算給類樣品均值向量，是各個(gè)類的均值，是類的樣品個(gè)數(shù)。(2)

22、 計(jì)算樣品類內(nèi)離散度矩陣和總類間離散度矩陣(3) 計(jì)算樣品類間離散度矩陣(4) 求向量我們希望投影后，在一維Y空間各類樣品盡可能地分開，也就是說我們希望兩類樣品均值之差越大越好，同時(shí)希望各類樣品內(nèi)部盡量密集，即希望類內(nèi)離散度越小越好，因此，我們可以定義Fisher準(zhǔn)那么函數(shù)：使得取得最大值的為 (5) 將訓(xùn)練集內(nèi)所有樣品進(jìn)行投影如果是非奇異的，那么要獲得類間離散度與類內(nèi)離散度的比值最大的投影方向的滿足下式：其中是滿足下式的和對(duì)應(yīng)的m個(gè)最大特征值所對(duì)應(yīng)的特征向量。注意到該矩陣最多只有C-1個(gè)非零特征值，C是類別數(shù)。2、程序中算法的應(yīng)用Fisher線性判別方法FLD是在Fisher鑒別準(zhǔn)那么函數(shù)取

23、極值的情況下，求得一個(gè)最正確判別方向，然后從高位特征向量投影到該最正確鑒別方向，構(gòu)成一個(gè)一維的判別特征空間。將Fisher線性判別推廣到C-1個(gè)判決函數(shù)下，即從N維空間向C-1維空間作相應(yīng)的投影。利用這個(gè)m維的投影矩陣M將訓(xùn)練樣本n維向量空間轉(zhuǎn)化為m維的MEF空間并且獲得在MEF空間上的最正確描述特征，即由這N個(gè)MEF空間上的最正確描述特征可以求出的樣品類內(nèi)離散度矩陣和總類間離散度矩陣，取的K個(gè)最大的特征可以構(gòu)成FLD投影矩陣W。將MEF空間上的最正確描述特征在FLD投影矩陣W上進(jìn)行投影，將MEF空間降維到MDF空間，并獲得對(duì)應(yīng)的MDF空間上的最正確分類特征，即通過計(jì)算的歐氏距離，可以將訓(xùn)練樣

24、本分為CC等于的秩，完成對(duì)訓(xùn)練樣本集的分類1、 matlab編程1、fisher判別法人臉檢測(cè)與識(shí)別流程圖2、matlab程序分為三局部。程序框圖如以下圖所示。mainFisherfaceCoreRecognitionCreatDataBase這個(gè)函數(shù)將所有訓(xùn)練樣本的二維圖像轉(zhuǎn)換成一維列向量。接著，它把這些一維列向量組合到一行里面構(gòu)造出二維向量T，即每個(gè)單元的信息量是一幅圖片這個(gè)函數(shù)將源圖像提取成特征臉，然后比擬它們之間的歐幾里得距離PCA提取特征值Fisher分類器設(shè)計(jì)。從fisher線性空間中提取圖像2、 總結(jié)從計(jì)算本錢來看，PCA+LDA方法的好處在于對(duì)高維空間的降維，防止了類內(nèi)離散度矩

25、陣不可逆的情況。然而，從識(shí)別性能來看，由于主成分只是代表圖像的灰度特征，是從能量的角度衡量主成分大小的，應(yīng)用PCA之后，舍棄的對(duì)應(yīng)較小特征值的次要成分有可能對(duì)LDA來說重要的分類信息，有可能降低分類識(shí)別性能。而且，在實(shí)際應(yīng)用中，特別是在人臉圖像識(shí)別中，由于“維數(shù)災(zāi)難的存在，F(xiàn)LD通常會(huì)遇到兩個(gè)方面的困難：（1） 類內(nèi)離散度矩陣總是奇異的。這是由于的秩最多為N-C，N是用于訓(xùn)練樣本的圖像數(shù)目，C是人臉的類別數(shù)。而一般情況下，用于訓(xùn)練的圖像數(shù)目N是遠(yuǎn)小于每幅圖像的像素?cái)?shù)目，即“小樣本問題“經(jīng)常出現(xiàn)。（2） 計(jì)算的復(fù)雜度。在高維空間中，要得出一個(gè)分類向量的復(fù)雜度遠(yuǎn)遠(yuǎn)高于計(jì)算一個(gè)低維空間中的分類向量。

26、3、 參考文獻(xiàn)【1】邊肇其，張學(xué)工.模式識(shí)別【M】.第2版.北京.：清華大學(xué)出版社，2000【2】周杰，盧春雨，張長(zhǎng)水，李衍達(dá)，人臉自動(dòng)識(shí)別方法綜述【J】.電子學(xué)報(bào)，2000，54：102-1064、 附錄matlab 程序代碼1、第一局部：CreatDatabase.mfunction T = CreatDatabase(TrainDatabasePath)TrainFiles = dir(TrainDatabasePath);Train_Number = 0;%統(tǒng)計(jì)文件數(shù)%for i = 1:size(TrainFiles,1) if not(strcmp(TrainFiles(i).na

27、me,.)|strcmp(TrainFiles(i).name,.)|strcmp(TrainFiles(i).name,Thumbs.db) Train_Number = Train_Number + 1; endend%二維轉(zhuǎn)一維%T = ;for i = 1 : Train_Number str = int2str(i);%把文件索引轉(zhuǎn)換為字符串格式 str = strcat(,str,.pgm); str = strcat(TrainDatabasePath,str); img = imread(str); irow icol = size(img); temp = reshape(i

28、mg,irow*icol,1); T = T temp;endT = double(T);2、第二局部：FisherfaceCorefunction m_database V_PCA V_Fisher ProjectedImages_Fisher Class_number Class_population = FisherfaceCore(T)%返回值注釋%m_database - (M*Nx1)維的訓(xùn)練樣本均值%V_PCA - (M*Nx(P-C)訓(xùn)練樣本協(xié)方差的特征向量%V_Fisher - (P-C)x(C-1) 最大的C-1維J = inv(Sw) * Sb的特征矩陣%Projecte

29、dImages_Fisher - (C-1)xP)維訓(xùn)練樣本，這些樣本從fisher線性空間中提取%根本量賦值 %Class_number=(size(T,2)/9; 類的數(shù)目，除以8取決于樣本中有多少類人Class_population = 9;%每一類的圖像數(shù)目P = Class_population * Class_number; %總訓(xùn)練樣本的數(shù)目%計(jì)算均值%m_database = mean(T,2);%包含T每一行均值的列向量%計(jì)算方差%A = T - repmat(m_database,1,P);%計(jì)算特征臉的算法%L = A * A;V D = eig(L);V = flipl

30、r(V);%篩選小的特征值%L_eig_vec = ;dig = fliplr(max(D);for i = 1 : Class_number L_eig_vec = L_eig_vec V(:,i)/sqrt(dig(i);end%計(jì)算特征矩陣的協(xié)方差矩陣C%V_PCA = A * L_eig_vec;%V_PCA就是降維后的協(xié)方差矩陣ProjectedImages_PCA = ;for i = 1 : P temp = V_PCA*A(:,i); ProjectedImages_PCA = ProjectedImages_PCA temp; end%fisher分類器的設(shè)計(jì)方法%計(jì)算在特征

31、空間里面每一個(gè)類的均值%m_PCA = mean(ProjectedImages_PCA,2) %特征空間總的均值m = zeros( Class_number, Class_number );Sw = zeros( Class_number, Class_number);Sb = zeros( Class_number, Class_number); for i = 1 : Class_number m(:,i) = mean( ( ProjectedImages_PCA(:,(i-1)*Class_population+1):i*Class_population) ), 2 ); %每一類

32、的樣本分別求均值 S = zeros(Class_number, Class_number); for j = (i-1) * Class_population + 1) : ( i*Class_population ) S = S + ( ProjectedImages_PCA(:,j) - m(:,i) * (ProjectedImages_PCA(:,j) - m(:,i); end Sw = Sw + S;Sb = Sb + (m(:,i) - m_PCA) * (m(:,i) - m_PCA)end %計(jì)算fisher判別準(zhǔn)那么，目標(biāo)是獲取最大類間離散度和最小類內(nèi)離散度%J_eig_

33、vec, J_eig_val = eig(Sb,Sw);J_eig_val = max(J_eig_val); J_eig_vec = fliplr(J_eig_vec); %去除0特征根和排序for i = 1 : Class_number - 1 V_Fisher(:,i) = J_eig_vec(:,i);%fisher判別法將N維映射到C-1維end %從fisher線性空間中提取圖像%Yi = V_Fisher * V_PCA * (Ti - m_database)for i = 1: Class_number * Class_population ProjectedImages_Fisher(:,i) = V_Fisher * ProjectedImages_PCA(:,i); end%由PCA過渡到FLD%img_fisher = w_fisher * pca_img;%ProjectedImages_Fisher = V_Fisher * ProjectedImages_PCA; 3、第三局部：Recognition.mfunction Out