главные компоненты преимущественно отражают изменения освещения, и сравнение выдаёт изображения, имеющие похожий уровень освещённости. При использовании метода линейного дискриминантного анализа (линейный дискриминант Фишера [56], Ыпеаг ОйзсптшаШ Апа1у515, ЬЭА) выбирают проекцию пространства изображений на пространство признаков таким образом, чтобы минимизировать внутри классовое и максимизировать межклассовое расстояние в пространстве признаков (Рис. 1.4). В этих методах предполагается что классы линейно разделимы.[56] Рис. 1.4. Пример проекций в пространстве характеристик для двух классов полученных с помощью анализа главных компонент (РСА) и линейного дискриминанта Фишера (РЬЭ). Как видно из приведенного Рис. 1.4., в этом случае проецирование на соб ственное пространство смешивает классы, что делает распознавание невозмож 16 |
30 главные компоненты преимущественно отражают изменения освещения, и сравнение выдаёт изображения, имеющие похожий уровень освещённости. При использовании метода линейного дискриминантного анализа (линейный дискриминант Фишера [22], Ыпеаг 01$сптшат Апа!у$15, ЬЭА) выбирают проекцию пространства изображений на пространство признаков таким образом, чтобы минимизировать внутриклассовое и максимизировать межклассовое расстояние в пространстве признаков (рис. 1.5). В этих методах предполагается что классы линейно разделимы. Рис. 1.5. Пример проекций в пространство характеристик для двух классов с помощью главных компонент (РСА) и линейного диериминанта Фишера (Р1ЛЭ). Как видно из приведенного рис. 1.5, в этом случае проецирование на собственное пространство смешивает классы, что делает распознавание невозможным, а линейный дискриминант выбирает проекцию на пространство признаков таким образом, чтобы разделить разные классы. |