线性判别分析和主成分分析之间的主要区别是什么

时间:2013-10-25 18:40:51

标签: opencv image-processing matching emgucv feature-extraction

“主成分分析(PCA)是Eigenfaces方法的核心,它找到了最大化数据总方差的特征的线性组合。虽然这显然是表示数据的有效方式,但它并不是考虑任何类别,因此抛弃组件时可能会丢失许多歧视性信息。“ (公开简历)

这里的“CLASSES”是什么意思????

” 线性判别分析可最大化类间与类内散布的比率​​,而不是最大化整体散布。这个想法很简单:相同的类应紧密地聚集在一起,而不同的类在低维表示中尽可能远离彼此。

在这里也是CLASSES的意思????

有人可以在图像处理视图中解释这个吗

2 个答案:

答案 0 :(得分:2)

这些上下文中的类意味着组或分类。像“面孔”或“字母”一样,具有一组几何属性的东西可以通过一定程度的通用性来识别。 PCA试图通过它们自己对图像中的对象进行分类,而LDS试图对事物进行分类,并考虑它们附近有多少相同的东西。

一个例子可能是球“威尔逊”的图片。就其本身而言,它看起来并不像一张脸,而PCA会给它一个很低的可能性作为一张脸,但如果照片包括汤姆汉克斯就在它旁边,那么就会将汤姆汉克斯分类为有脸并导致威尔逊也更有可能成为一张脸。正如你可以从这个人为的例子中看到的,取决于你想要达到的目标(以及你的数据有多好),每种方法都有其优点和缺点。

答案 1 :(得分:2)

为简化起见,PCA尝试以最小尺寸表示总数据。 LDA也尝试做同样的事情,但也要确保可以区分不同的类别(分类)。 PCA对分类没有帮助。它只能减少角度。 SO LDA = PCA +分类