基于張量特征值分析的特征表示及典型應用.pdf

1、張量特征分析主要有兩個研究方向：張量分解，張量特征值表示。張量是高維數據的自然表示，能夠保證數據的內部結構，在數據挖掘，特征提取方面有絕對的優(yōu)勢。圖像和視頻是最常見的高維數據，如何在圖像和視頻的領域中應用張量特征分析方法是人們一直關注和廣泛研究的問題。本文主要完成了以下方面的工作：
　?。?）本文簡要介紹了張量特征分析方法的兩個主要方向，并詳細介紹了梯度偏度張量D特征值的概念以及張量的Tucker分解形式。
　?。?）由于圖

2、像在其邊緣處會有較大的梯度值變化。本文利用這種偏度信息，通過梯度偏度張量將水平，垂直方向的導數統(tǒng)一在梯度偏度張量這一物理量下。通過梯度偏度張量的 D特征值表示圖像的邊緣特征。通過仿真表明本文的方法能夠準確的檢測出圖像的邊緣。
　?。?）類似于雷達一維距離像的概念，本文基于梯度偏度張量提出偏度一維像的概念。
　?。?）根據張量緊湊表示的概念，通過張量的Tucker分解，本文提出了張量多次Tucker-ALS算法，并將該算法具體

3、應用到視頻數據壓縮中。在視頻壓縮算法的具體實現(xiàn)過程中本文做出了改進：對每次的分解結果進行了量化，并用量化后的數據恢復張量，進而形成差張量，再對差張量進行張量分解。通過這種方式可以極大降低因為量化誤差帶來的影響；根據視頻的內容，對每一個測試序列進行分塊。讓數據冗余度低的分塊獲得更多的迭代次數，讓數據冗余度高的分塊減少迭代次數；針對于YUV視頻格式的特殊性，對YUV三個分量分別進行壓縮。充分利用U,V數據的高內聚性，降低數據量。通過對9組測