主分量分析在圖像信號(hào)處理中的應(yīng)用研究

段赟 王博

摘要：在圖像處理過程中，傳統(tǒng)圖像處理方法中不必要的信息眾多，無法完成圖像數(shù)據(jù)高效管理及傳輸。主分量分析的功能在于提取原始數(shù)據(jù)，將原始圖像中的不必要信息剔除，隨后完成圖像處理，獲得壓縮圖像，圖像質(zhì)量較高。對(duì)此，在圖像信號(hào)處理中，通過主分量分析方法效果顯著。

關(guān)鍵詞：主分量分析;圖像信號(hào)處理;圖像壓縮

主分量分析（PCA）作為一種統(tǒng)計(jì)算法，主分量分析可保留原始數(shù)據(jù)信息，信息彼此沒有相關(guān)性。在提取原始數(shù)據(jù)過程中，掌握其中的特征向量，從而降低數(shù)據(jù)維度。PCA分析方法效果較好，在多個(gè)領(lǐng)域廣泛應(yīng)用。比如，采取PCA算法對(duì)圖像中的掌紋進(jìn)行處理，有利于識(shí)別掌紋。PCA算法在處理數(shù)據(jù)過程中，通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，輸入變量后作為統(tǒng)計(jì)結(jié)果，縮減變量維度，使變量信息消除，從而確保統(tǒng)計(jì)結(jié)果的有效性。PCA算法也可識(shí)別物體形態(tài)，比如，馬鈴薯，獲得形態(tài)主分量特點(diǎn)，可用于篩選馬鈴薯。動(dòng)態(tài)PCA有利于動(dòng)態(tài)分析，解決故障問題。對(duì)此，在圖像信號(hào)處理中，使用主分量分析方法同樣具有良好的效果，本文對(duì)此展開分析。

1.PCA算法原理

主分量分析算法作為一種根據(jù)特征進(jìn)行提取的方法，核心思想是二階信號(hào)特征進(jìn)行分解統(tǒng)計(jì)，確定其中的投影矩陣，通過投影矩陣完成數(shù)據(jù)線性調(diào)整，將高維數(shù)據(jù)進(jìn)入低維空間，PCA算法具有定性特征向量，特征向量保持相互正交的關(guān)系。在使用主分量分析過程中，選擇的特征往往是不相干的，將原有數(shù)據(jù)中的不必要數(shù)據(jù)去除，獲得準(zhǔn)確的必要性信息。主分量分析中對(duì)原始數(shù)據(jù)進(jìn)行分析，在使用PCA算法過程中，可以達(dá)到降維功能，盡可能保留原始信息，屬于一種性能良好的信息處理模式。

2.主分量分析方法在圖像信號(hào)處理中的應(yīng)用

2.1圖像傾斜處理

人們?cè)谂臄z圖像時(shí)，一旦圖像發(fā)生傾斜，有利于將其中的特征向量提取，從而對(duì)影像角度進(jìn)行調(diào)整，保持正向角度，通過Radon變換方法，對(duì)傾斜角度進(jìn)行處理，但處理內(nèi)容相對(duì)繁瑣，矯正傾斜的精度不高。對(duì)此，通過一種簡單的傾斜矯正方法，使用PCA算法對(duì)目標(biāo)圖像傾斜角度進(jìn)行處理，經(jīng)過一次旋轉(zhuǎn)即可達(dá)到圖像矯正目標(biāo)。在實(shí)際調(diào)整過程中，將目標(biāo)圖像變成灰度圖像，根據(jù)最大方差算法對(duì)灰度值調(diào)整，二值化圖像中的前景點(diǎn)為1，背景點(diǎn)為0。對(duì)手機(jī)的前景點(diǎn)信號(hào)進(jìn)行處理，其坐標(biāo)是（x，y），以此構(gòu)建起坐標(biāo)矩陣，前景點(diǎn)每列坐標(biāo)為1，隨后對(duì)x及y坐標(biāo)進(jìn)行提取，計(jì)算平均值。對(duì)零均值化的坐標(biāo)矩陣進(jìn)行排列，獲得2*2矩陣，對(duì)矩陣進(jìn)行分解，得到相關(guān)的特征向量。將采集的目標(biāo)圖像根據(jù)反向旋轉(zhuǎn)后，獲得傾斜矯正后的圖像。比如，在人像矯正過程中，通過PCA算法可獲得理想的矯正效果，人從傾斜回到直立狀態(tài)，人物較為清晰。

2.2人臉識(shí)別

在人工智能發(fā)展中，人臉識(shí)別技術(shù)是其中的重要技術(shù)，人臉識(shí)別中包括身份驗(yàn)證及智能監(jiān)控等技術(shù)，拍攝人臉圖像會(huì)受到光照及姿態(tài)等因素影響，導(dǎo)致人臉識(shí)別較為困難，或者發(fā)生識(shí)別錯(cuò)誤的情況。通過PCA算法有利于完成人臉識(shí)別，在識(shí)別過程中，先創(chuàng)建人臉識(shí)別集群，在集群TrainData中設(shè)置N個(gè)級(jí)別，每個(gè)訓(xùn)練樣本中有m個(gè)圖像，獲得N*m個(gè)圖像，對(duì)每個(gè)圖像進(jìn)行縮放，隨后調(diào)整為一種單一向量，將單一向量作為TrainData中的一行。矩陣TrainData中含有全部的數(shù)據(jù)，每行中具有一個(gè)樣本訓(xùn)練數(shù)據(jù)。集群TrainData完成零值處理后，對(duì)平均值進(jìn)行計(jì)算，掌握每行向量μ，以該向量作為導(dǎo)向，對(duì)TrainData進(jìn)行刪減處理，最終獲得減去圖像，達(dá)到TrainData零化處理目標(biāo)，并形成矩陣A。在特征向量計(jì)算過程中，觀察方差矩陣情況，明確中的經(jīng)典特征向量。建設(shè)投影矩陣P，對(duì)特征值進(jìn)行排列，形成平均值，建立矩陣投影。在訓(xùn)練樣本及測(cè)試樣本計(jì)算過程中，針對(duì)主分量空間中的投影進(jìn)行處理，輸入人臉圖像X，將X轉(zhuǎn)變?yōu)橐粋€(gè)行向量零化均值，獲得投影向量，第K個(gè)投影向量零化處理后，將樣本代入主分量系統(tǒng)，獲得各個(gè)均值數(shù)據(jù)，據(jù)最近原則，思考人臉圖像相關(guān)數(shù)據(jù)，根據(jù)公式對(duì)歐式距離進(jìn)行判斷，獲得人臉識(shí)別的結(jié)果。在計(jì)算過程中，通過ORL人臉識(shí)別數(shù)據(jù)庫對(duì)圖像信號(hào)新型處理，獲得與圖像信號(hào)類似的圖像，對(duì)光照及人臉表情、姿態(tài)等進(jìn)行處理，獲得該人物形象。

2.3圖像壓縮

現(xiàn)階段，人們經(jīng)常使用照相機(jī)或者手機(jī)拍照，每天都會(huì)生產(chǎn)出大量的圖像，圖像數(shù)據(jù)量極大，其中有很多的冗余數(shù)據(jù)，及時(shí)對(duì)圖像數(shù)據(jù)進(jìn)行壓縮，有利于完成數(shù)據(jù)傳輸及儲(chǔ)存，思考PCA算法可去除數(shù)據(jù)的關(guān)聯(lián)性，提取主分量特征，對(duì)此，將PCA算法在圖像壓縮中應(yīng)用具有重要意義?；赑CA算法展開圖像壓縮包括以下幾個(gè)步驟。先輸入圖像，圖像經(jīng)處理后調(diào)整為24*24像素，將每個(gè)圖塊形成一個(gè)行列，構(gòu)建矩陣，對(duì)矩陣中的方差進(jìn)行計(jì)算，從而分解特征向量，掌握特征值及向量數(shù)據(jù)，最大特征值提取后，構(gòu)建投影矩陣。投影矩陣進(jìn)入主分量空間后，形成XP系數(shù)。將圖像進(jìn)行重新壓縮，圖像比例可達(dá)到43.854，此時(shí)的圖像已經(jīng)顯現(xiàn)出原始風(fēng)貌，獲得高質(zhì)量的壓縮圖像。

結(jié)束語

PCA算法作為一種簡單的特征向量提取算法及數(shù)據(jù)降維算法，將數(shù)據(jù)中的主成分分量進(jìn)行分析，有利于對(duì)圖像信號(hào)進(jìn)行壓縮，達(dá)到圖像信號(hào)處理的功能?，F(xiàn)階段，PCA算法已經(jīng)在人臉識(shí)別及圖像壓縮、圖像傾斜處理中應(yīng)用，獲得良好的應(yīng)用效果，在未來研究中，需要將PCA算法投入到更多的圖片處理領(lǐng)域，為處理疑難圖像提供幫助。

參考文獻(xiàn)：

[1]王慧文，許鋼燦. 基于MPI+MKL混合模型的反蛙人聲吶并行信號(hào)處理研究[J]. 聲學(xué)與電子工程，2021，（02）：32-34.

[2]李謹(jǐn)成，郭德明. 面向條帶SAR的多孔徑圖像偏移自聚焦算法[J]. 雷達(dá)科學(xué)與技術(shù)，2020，18（05）：551-556.

[3]李朋飛，王熙，丁國超，李鵬遠(yuǎn). 精準(zhǔn)播種機(jī)粒距檢測(cè)系統(tǒng)信號(hào)與圖像處理的研究[J]. 農(nóng)機(jī)化研究，2021，43（06）：20-25.