变异系数怎么算(降维和变异系数提升识别效果)

2020年8月22日 评论 0

一、图象特征码测算提升方法

前一章节目录的图象特征码获取优化算法是根据像素数的三元色标值的,有时,图象小量的像素数差别很有可能影响鉴别結果。有二种优化算法能够使鉴别实际效果更强:

  • 将面部图象尺寸设定为适度的标值(一般越低越好),那样更能突显面部的特点,而省去许多影响项。除此之外,获取初始特点组后,应用PCA特征提取技术性对初始特点组开展进一步生产加工,转化成最后的特点组,进而能够更好地定性分析面部。
  • 在规范欧氏距离的基本上品以权重值。有二种测算方法:每地区清晰度设定不一样的权重值;设定总体权重值,使面部图象引流矩阵的差得分匀称化。这儿应用第二种方法。
  • 二、变异系数

    变异系数是考量材料中各观测值基因变异水平的一个统计量。当开展2个或好几个材料基因变异水平的较为时,假如度量单位与平均值同样,能够立即运用标准偏差来较为。假如企业和(或)平均值不另外,较为其基因变异水平就不可以选用标准偏差,而需选用标准偏差与平均值的比率(相对值)来较为。

    离散系数指标值有:全距(偏差)指数、平均差指数、标准差指数和标准差系数等。常见的是标准差系数,用CV(Coefficient of Variance)表明。CV(Coefficient of Variance):标准偏差与平均值的比例。用公式计算表明为:CV=σ/μCV=σ/μ

    计算方法:

    • 偏差(全距)指数:Vr=R/X′Vr=R/X′ ;
    • 平均差指数:Va,d=A.D/X′Va,d=A.D/X′;
    • 标准差指数:V标准差=标准差/X′V标准差=标准差/X′ ;
    • 标准差系数:V标准偏差=标准偏差/X′V标准偏差=标准偏差/X′;

    在其中,X’表明X的平均值。—-百科

    变异系数能够清除由于平均值不一样在基因变异水平较为中造成的影响。变异系数越小,数据信息离均值的偏移水平越小;相反,变异系数越大,数据信息离均值的偏移水平越大。

    这儿对变异系数开展改善,将标准偏差用标准差替代,随后将改善的变异系数的到数做为测算欧氏距离的调整指数,那样做的实际效果是:将偏移水平很大的数据信息授予较小的权重值,将偏移水平越小的数据信息授予很大的权重值中。最终将规范欧氏距离乘于调整权重值,进而完成差别平均化,让改善后的欧氏引流矩阵能够更好地定性分析面部总体差别。

    三、编码实例

    def get_distance(img,findimg): newsize=(21,21) fimg=cv2.resize(findimg,newsize) img = cv2.resize(img,newsize) my_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) my_fimg = cv2.cvtColor(fimg, cv2.COLOR_BGR2GRAY) # PCA特征提取 pcaimg = mlpy.PCA() pcaimg.learn(my_img) pca_img = pcaimg.transform(my_img,k=1) pca_img=pcaimg.transform_inv(pca_img) pcafimg = mlpy.PCA() pcafimg.learn(my_fimg) pca_fimg = pcaimg.transform(my_fimg,k=1) pca_fimg = pcafimg.transform_inv(pca_fimg) # 测算根据总体权重值的欧氏距离 return get_EuclideanDistance(pca_img,pca_fimg)

    其他一部分编码与上一节同样。

    运作实际效果:

    变异系数怎么算(降维和变异系数提升识别效果)

    如有转载,请注明本文链接: http://www.luding333.com/174516.html

    AD:【内容仅限学习交流使用,如有侵权联系作者删除】

    相关性分析结果怎么看(要做相关性分析) 创业新闻

    相关性分析结果怎么看(要做相关性分析)

    有关明确是要剖析不一样要素间的关联性? 相关分析关键用以:(1)分辨2个或好几个自变量中间的应用统计学关系;(2)假如存有关系,进一步剖析关系抗压强度和方位。 那麼,哪些的科学研究能够开展相关分析呢?...
    匿名

    发表评论

    匿名网友 填写信息

    :?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: