二维共轭正交偏最小二乘分析及图像识别应用

doi:10.3778/j.issn.1002-8331.2008.29.010

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (29): 36-39.DOI: 10.3778/j.issn.1002-8331.2008.29.010

二维共轭正交偏最小二乘分析及图像识别应用

杨茂龙^1,2,孙权森²,夏德深²

1.南京国际关系学院，南京 210031
2.南京理工大学计算机学院，南京 210094

收稿日期:2008-05-27 修回日期:2008-06-23 出版日期:2008-10-11 发布日期:2008-10-11
通讯作者: 杨茂龙

Conjugate orthonormalized partial least squares regression and its application in image recognition

YANG Mao-long^1,2,SUN Quan-sen²,XIA De-shen²

1.International Studies University，Nanjing 210031，China
2.Department of Computer Science，Nanjing University of Science & Technology，Nanjing 210094，China

Received:2008-05-27 Revised:2008-06-23 Online:2008-10-11 Published:2008-10-11
Contact: YANG Mao-long

摘要/Abstract

摘要： 偏最小二乘（PLS）是一种有效的图像特征抽取方法。不同于其他的多元数据分析方法，PLS综合了PCA与CCA的优点，抽取对样本具有最佳解释能力的成分。讨论了偏最小二乘法建模思想及非迭代算法、共轭正交算法和基于2D特征抽取时的算法原理和特点，以及PLS用于图像识别时类隶属矩阵的构造。在ORL与Yale人脸库上的实验结果表明用2DCOPLS抽取的特征进行图像识别的效果更好，更稳定。

关键词: 偏最小二乘, 非迭代偏最小二乘, 共轭正交, 二维特征提取, 图像识别

Abstract: It is an effective approach for image feature extraction by Partial Least Squares（PLS） regression method.The good qualities of PCA and CCA in feature extraction are combined in PLS，which can extract the components interpreting the samples optimally.The theories of feature extracting by PLS，non-iterative PLS and orthonormalized PLS are discussed，and the class membership matrix of 1D and 2D is constructed in image recognition，too.The experiment results on ORL and Yale face image database have shown that the extracted feature by 2DCOPLS can achieve good performance in image recognition.

Key words: Partial Least Squares（PLS）, Non-iterative PLS（NIPLS）, Conjugate Orthonormalized PLS（COPLS）, 2D Feature extraction, image recognition

杨茂龙^1,2,孙权森²,夏德深². 二维共轭正交偏最小二乘分析及图像识别应用[J]. 计算机工程与应用, 2008, 44(29): 36-39.

YANG Mao-long^1,2,SUN Quan-sen²,XIA De-shen². Conjugate orthonormalized partial least squares regression and its application in image recognition[J]. Computer Engineering and Applications, 2008, 44(29): 36-39.

[1]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[2]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[3]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[4]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[5]	黄英来，温馨，任洪娥，王佳琪. 深度迁移学习在古筝品质分级中的应用[J]. 计算机工程与应用, 2021, 57(10): 218-224.
[6]	刘虹，王烈. 结合余弦相关性的卷积网络识别汉字的方法[J]. 计算机工程与应用, 2020, 56(8): 130-135.
[7]	曹晓航，汪立新，束学渊. 基于小波不变矩的雷达辐射源信号识别[J]. 计算机工程与应用, 2020, 56(19): 269-272.
[8]	李鑫，焦斌，林蔚天. 基于条件信息卷积生成对抗网络的图像识别[J]. 计算机工程与应用, 2020, 56(14): 191-198.
[9]	苗开超，周建平，陶鹏，刘承晓，姚叶青. 自适应混合卷积神经网络的雾图能见度识别[J]. 计算机工程与应用, 2020, 56(10): 205-212.
[10]	袁嘉杰，张灵，陈云华. 基于注意力卷积模块的深度神经网络图像识别[J]. 计算机工程与应用, 2019, 55(8): 9-16.
[11]	张锡英，宋宇鹏，陈曦，边继龙. 融合STN和DenseNet的深度学习网络及其应用[J]. 计算机工程与应用, 2019, 55(17): 131-136.
[12]	郑远攀1，2，李广阳1，李晔1. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36.
[13]	王德政1，张益农1，杨帆2. 基于MapReduce的并行PLS过程监控算法实现[J]. 计算机工程与应用, 2018, 54(24): 61-65.
[14]	袁明新1，2，张丽民1，2，朱友帅1，姜烽1，江亚峰2. 联合中间层的深度卷积神经网络模型[J]. 计算机工程与应用, 2018, 54(20): 139-144.
[15]	崔雪红，刘云，王传旭，李辉. 高显著性的时空金字塔精简描述符算法研究[J]. 计算机工程与应用, 2018, 54(1): 210-216.

二维共轭正交偏最小二乘分析及图像识别应用

Conjugate orthonormalized partial least squares regression and its application in image recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics