基于PCA人脸图像压缩与重建算法的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 主成分分析的研究背景及意义 | 第11页 |
| 1.2 主成分分析算法的发展和研究现状 | 第11-13页 |
| 1.2.1 主成分分析(PCA)算法的发展 | 第12页 |
| 1.2.2 主成分分析算法的研究现状 | 第12-13页 |
| 1.3 主成分分析在人脸图像压缩与重建设计思路 | 第13-14页 |
| 1.4 图像处理压缩与重建 | 第14-15页 |
| 1.4.1 常用的图像压缩方法 | 第14-15页 |
| 1.4.2 常用的图像重建方法 | 第15页 |
| 1.5 论文的主要工作及组织结构 | 第15-17页 |
| 1.5.1 论文的主要工作 | 第15-16页 |
| 1.5.2 论文的组织结构 | 第16-17页 |
| 第二章 特征提取和图像压缩与重建预处理 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 人脸图像数据库 | 第17-20页 |
| 2.3 人脸图像的预处理算法 | 第20-21页 |
| 2.3.1 人脸图像灰度化处理 | 第20页 |
| 2.3.2 人脸图像的归一化处理 | 第20-21页 |
| 2.4 图像处理之图像重建 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于主成分分析算法的压缩与重建 | 第23-47页 |
| 3.1 引言 | 第23页 |
| 3.2 主成分分析的思想 | 第23-29页 |
| 3.2.1 特征提取的概念 | 第23-24页 |
| 3.2.2 K-L变换原理 | 第24-26页 |
| 3.2.3 特征向量的选取 | 第26-27页 |
| 3.2.4 主成分数据重建 | 第27-29页 |
| 3.3 主成分分析几何关系表示 | 第29-30页 |
| 3.4 基于主成分分析(PCA)的人脸图像处理 | 第30-33页 |
| 3.4.1 PCA人脸压缩与重建算法分析 | 第31-33页 |
| 3.5 基于2DPCA人脸图像压缩与重建 | 第33-36页 |
| 3.5.1 2DPCA算法压缩分析 | 第35-36页 |
| 3.5.2 2DPCA算法重建分析 | 第36页 |
| 3.6 基于MATPCA人脸图像压缩与重建 | 第36-39页 |
| 3.7 实验和分析 | 第39-45页 |
| 3.8 本章小结 | 第45-47页 |
| 第四章 基于上述算法进行改进后的PCA算法 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 奇异值分解实现主成分分析 | 第47-52页 |
| 4.2.1 用SVD解主成分分析 | 第49-51页 |
| 4.2.2 奇异值分解在人脸图像中应用 | 第51-52页 |
| 4.3 改进后的PCA算法思想和实现过程 | 第52-55页 |
| 4.4 实验结果与分析 | 第55-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 实验设计及结果分析 | 第61-75页 |
| 5.1 引言 | 第61页 |
| 5.2 实验设计 | 第61-62页 |
| 5.3 基于ORL人脸数据库实验仿真结果分析 | 第62-68页 |
| 5.3.1 实验一 | 第62-63页 |
| 5.3.2 实验二 | 第63-68页 |
| 5.4 基于yale人脸数据库实验仿真结果分析 | 第68-73页 |
| 5.4.1 实验一 | 第68-73页 |
| 5.5 本章小节 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文总结 | 第75页 |
| 6.2 工作展望 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 附录 攻读硕士学位期间取得的学术成果 | 第83页 |
