基于pca的苹果特征提取研究------开题分析报告.doc

基于pca的苹果特征提取研究------开题报告————————————————————————————————作者:————————————————————————————————日期: 毕业设计(论文)开题报告题目:基于pca的苹果特征提取研究学院:电气信息学院专业:自动化学生姓名:学号:指导老师:(含“文献综述”)作为毕业设计(论文)答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下,由学生在毕业设计(论文)工作前期内完成,经指导教师签署意见及所在专业审查后生效。(可从教务处网页上下载)打印,禁止打印在其它纸上后剪贴,完成后应及时交给指导教师签署意见。3.“文献综述”应按论文的格式成文,并直接书写(或打印)在本开题报告第一栏目内,学生写文献综述的参考文献应不少于10篇(不包括辞典、手册),其中至少应包括1篇外文资料;对于重要的参考文献应附原件复印件,作为附件装订在开题报告的最后。,并装订单独成册,随《毕业设计(论文)说明书》等资料装入文件袋中。毕业设计(论文):结合毕业设计(论文)课题情况,根据所查阅的文献资料,每人撰写2500字以上的文献综述,文后应列出所查阅的文献资料。引言在苹果的检测分类中,分类器要求的训练样本数量随输入的特征项呈指数关系增长,重复和次要的特征项会使特征组合的分类能力下降,因此需对苹果的数字特征进行降维处理。目前,苹果分级系统可以对苹果的尺寸、形状、颜色和外部缺陷等方面进行全面的检测,且每个方面均有大量特征,这样就需要存储大量的冗余特征信息,不能精确而简洁地描述图像。本文着重研究形状特征,采用主成分分析的方法提取出苹果外在品质的最优特征,进而验证了苹果特征提取的可行性。(ponentAnalysis,简称PCA)的理论与方法,“IntroductiontoStatisticalRecognition”中就做了系统的阐述。Fukunaga和Young等人都曾对该方法做过较深入的研究,并讨论了作为线性特征提取方法的稳定性问题。主成分分析(PCA)最早由Pearson于1901年提出,随后大量的文献对其作了深入的研究,使其理论逐步完善。主成分分析方法是模式识别中常用的一种线性映射方法,是基于数据信号二阶统计特性的分析方法。该方法将多个相关变量简化为儿个不相关变量线性组合,在保证数据信息丢失最少的原则下,经线性变换和舍弃一部分信息,以少数新的变量取代原来的多维变量,从而实现对高维变量空问到低维空问的映射。从代数学观点看PCA的基本思想就是设法将原来众多具有一定相关性的指标,重新组合成一组新的相互无关的综合指标来代替原来的指标。而从儿何上看,这些线性组合正是把x1,xz,...,x,构成的坐标系旋转产生的新坐标系,新坐标轴使之通过样品方差最大的方向。或者说PCA就是寻找一个最佳了空问,当多维数据在该了空问进行投影后,所得分量具有最大方差,同时,当用主元对原始数据进行重构时,在最小均方误差意义下逼近效果最佳。在过去的几十年里,人们对主成分分析方法作了大量的研究,并在图像识别以及故障监控和诊断等领域均有大量的应用。主成分分析的应用研究最早主要是利用PCA良好的降维能力,可以把多维特征压缩到少数几维,这样因为减少了噪声等其他干扰成分,突出了有用的信息特征,更加有利于运用神经网络、支持向量机等智能方法进行状态分类。杨杰等人采用PCA对润扬长江大桥北汉斜拉桥的频响函数进行了有效降维,并根据降维后的主分量重构了结构频响,误差分析表明可以用较少的主元向量来综合表征高维的结构频响函数。pca的苹果特征提取研究,Kirby和Sirovich等人讨论了利用PCA进行特性的最优表示问题。接着,Turk和Pentland探讨了这种表示的物理意义。他们惊奇的发现,K-L展开后的特征向量在还原成图像矩阵时,竞然是一张张标准化的特性。采用K-L展开表示苹果特性的本质被揭示了出来,即用一系列标准的由特征向量构成,故被形象地称为特征,即Eigenface)通过加权叠加来表示苹果特。用这些表示系数作为苹果的特征进行分类识别。这就是著名的特征脸(Eigenfaces)方法。TurkandPentland在文献的实验中使用2500个苹果特图像的数据库,每类人脸包括3种不同的照明亮度、方向和尺寸的变化,对于这3种变化的识别率分别为88%,85%和64%o随后,他们又建立了一个由3000人的7562幅图片组成的图像集并按照层次等分类。实验显示,对苹果特识别率分别为89%和88%而。PCA在苹果特识别领域成功应用的一个重要理论