一种新的取向估计方法-1

1、一种新的取向估计方法计算出取向张量之后，就是对该张量进行主元分析，后面的实验结果分析说明，采用主元分析法比直接根据计算所得的张量进行取向估计可以在一定程度上提高估计方法的精确性和鲁棒性。主元分析主要用于计算一个给定数据集的主矢量，并提供一组最小均方意义下重建给定数据的一组优化的基。主元分析的根底是数据矩阵的奇异值分解。对取向张量的主元分析计算过程如下：首先对信号进行奇异值分解其中，U、V分别为T的左、右奇异值矢量，均为正交矩阵，S为对角矩阵，其对角元素为T的奇异值。最后根据奇异值分解结果，选择较大奇异值对应的正交矢量用于取向估计，即取向角为：其中，atan 表示反正切函数，index1,2，对

2、应较大奇异值对应的奇异值矢量的下标。为了对算法的性能进行分析，定义取向估计的角度估计误差为：式中，为取向张量的准确值，为估计值对应的张量，在本文方法中取为T的较大奇异值对应的正交矢量的张量表示。对于输入图像大小为的情况，本文方法的计算复杂度为。其中，对图像作Fourier变换的计算复杂度为图3 有无干扰情况下的估计误差比拟图4 高斯噪声情况下估计误差的变动曲线最后，本文还对指纹图像做了实验，实验结果如图5所示，这一估计结果反映了指纹纹理的取向及变化趋势：图5 对指纹图像的实验结果a原始图像；b取向估计结果矢量图4结束语长期以来，取向估计在国内的图象处理领域是一个受到无视的研究内容。本文首先明确

3、了取向的概念及其与方向的区别，然后对这方面的研究工作进行了比拟全面的总结，并提出了一种Lognormal_PCA方法进行取向估计，其计算复杂度为。最后通过实验对该方法进行了验证和分析。对主元分析法与直接估计法的估计误差所作的比拟和分析说明了参加主元分析的优越性。取向估计是图像底层处理的重要内容之一，目前的研究中还有一些问题需要解决，如：估计方法中计算代价和估计精度之间的平衡问题、图像数字化带来的一些问题、多尺度分析的问题等等。这些都是进一步研究的工作。参考文献【1】 Davide Maltoni,Datio Maio. Handbook ofFingerprint Recognition. S

4、pringer,2003.【2】 Hagen Spies . Gradient Channel Matrices forOrientation Estimation. Report LiTH-ISY-R-2540，2003,9.【3】 Gunnar Farneback. Spatial Domain Methods forOrientation and Velocity Estimation，ph.D thesis，Department of Electrical Engineering Link?pings universitet, SE-581 83 Link?ping,Sweden,19

5、99.【5】 L. Haglund, D. J. Fleet. Stable Estimationof Image Orientation. Proceedings of the IEEE-Proceedings of the IEEEInternational Conference on Image Processing ,Pages 68-72 ,1994.【7】 Hagen Spies. Gradient Channel Matrices forOrientation Estimation. Report LiTH-ISY-R-2540，ComputerVision Laboratory, Department of Electrical Engineering Linkoping University,SE-581 83 Linkoping, Sweden ,Sept 2, 2003. Marc Moonen, Bart Demoo