变异系数怎么算？降维和变异系数提升识别效果 _变异系数

一、图像特征码计算优化方法
上一章的图像特征码提取算法是基于像素的三色值。有时，图像中的少量像素差异可能会干扰识别结果。有两种算法可以更好地识别：
将人脸图像的大小设置为合适的值（通常是越小越好），这样可以使人脸的特征更加突出，并且省略很多分散注意力的项目。此外，在提取原始特征集后，使用PCA降维技术对原始特征集进行进一步处理，生成最终特征集，以更好地表征人脸。将权重乘以标准欧几里得距离。计算方法有两种：为每个区域像素设置不同的权重；设置整体权重，使人脸图像矩阵的差值一致。这里使用第二种方法。二、变异系数
【变异系数怎么算？降维和变异系数提升识别效果】变异系数是衡量数据中每个观察值的变异程度的统计量。在比较两个或多个数据的变异程度时，如果度量单位与平均值相同，则可以直接使用标准差进行比较。如果单位和（或）均值不同，则不能使用标准差来比较变异程度，而应使用标准差与均值的比值（相对值）进行比较。
离散系数指标包括：全距离（范围）系数、平均差系数、方差系数和标准差系数等。常用的是标准差系数，用CV(of)表示。
CV( of )：标准差与平均值的比值。
公式为：CV=σ/μCV=σ/μ
计算公式：
其中，X'代表X的平均值。
——百度百科
变异系数可以消除由于均值不同而导致变异程度比较的干扰。变异系数越小，数据与均值的偏差越小；反之，变异系数越大，数据与均值的偏差越大。
这里对变异系数进行了改进，将标准差替换为方差，然后将改进后的变异系数的倒数作为调整系数，计算欧式距离。偏差较小的权重赋予较大的权重。最后将标准欧式距离乘以调整权重得到平均差值，使改进后的欧式矩阵能更好地表示人脸的整体差异。

文章插图
三、代码示例
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降维 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) # 计算基于整体权重的欧氏距离 return get_EuclideanDistance(pca_img,pca_fimg)
其余代码同上一节。
运行效果：

文章插图
郑重声明：本文版权归原作者所有，转载文章仅出于传播更多信息之目的。如果作者信息标注有误，请尽快联系我们修改或删除，谢谢。