sparsefilt
利用稀疏滤波进行特征提取
描述
例子
创建稀疏的过滤器
创建一个SparseFiltering对象。sparsefilt函数。
加载SampleImagePatches图像补丁。
data =负载(“SampleImagePatches”）;大小(data.X)
ans =1×25000 363
共有5000个图像补丁，每个补丁包含363个特征。
从数据中提取100个特征。
rng默认的%的再现性Q = 100;obj = sparsefilt(数据。X,问,“IterationLimit”, 100)
警告:求解器LBFGS无法收敛到解。
obj = SparseFiltering ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] Properties, Methods
sparsefilt发出警告，因为它由于达到迭代限制而停止，而不是达到步长限制或梯度大小限制。方法，仍然可以在返回的对象中使用学到的特性变换函数。
重新启动sparsefilt
继续优化稀疏过滤器。
加载SampleImagePatches图像补丁。
data =负载(“SampleImagePatches”）;大小(data.X)
ans =1×25000 363
共有5000个图像补丁，每个补丁包含363个特征。
从数据中提取100个特征，迭代限制为20。
rng默认的%的再现性q = 100;Mdl = sparsefilt(数据。X,问,“IterationLimit”, 20);
警告:求解器LBFGS无法收敛到解。
将得到的变换矩阵视为图像补丁。
但是= Mdl.TransformWeights;W =重塑(wts,[3 11日,11日,q]);(dx, dy, ~, ~) = (W)大小;为f = 1:q Wvec = W(:，:，:，f);Wvec = Wvec (:);Wvec = (Wvec - min (Wvec)) / (max (Wvec) - min (Wvec));W (:,:: f) =重塑(Wvec, dx, dy, 3);结束m =装天花板(sqrt (q));n = m;img = 0 (m * dx, n * dy, 3);f = 1;为i = 1: m为j = 1: n如果(f < = q) img((张)* dx + 1:我* dx, dy (j - 1) * + 1: j * dy:) = W (:,:: f);f = f + 1;结束结束结束imshow (img,“InitialMagnification”, 300);
图像补丁出现噪声。要清除噪音，请尝试更多迭代。从停止的地方重新启动优化，再进行40次迭代。
Mdl = sparsefilt(数据。X,问,“IterationLimit”现年40岁的“InitialTransformWeights”wts);
警告:求解器LBFGS无法收敛到解。
将更新后的变换矩阵视为图像补丁。
但是= Mdl.TransformWeights;W =重塑(wts,[3 11日,11日,q]);(dx, dy, ~, ~) = (W)大小;为f = 1:q Wvec = W(:，:，:，f);Wvec = Wvec (:);Wvec = (Wvec - min (Wvec)) / (max (Wvec) - min (Wvec));W (:,:: f) =重塑(Wvec, dx, dy, 3);结束m =装天花板(sqrt (q));n = m;img = 0 (m * dx, n * dy, 3);f = 1;为i = 1: m为j = 1: n如果(f < = q) img((张)* dx + 1:我* dx, dy (j - 1) * + 1: j * dy:) = W (:,:: f);f = f + 1;结束结束结束imshow (img,“InitialMagnification”, 300);
这些图像不那么嘈杂。
输入参数
输出参数
算法
的sparsefilt函数创建了输入特征到输出特征的非线性转换。这种转换基于优化一个目标函数，该函数鼓励通过尽可能少的输出特征来表示每个示例，同时保持输出特征在示例间同样活跃。
有关详细信息,请参见稀疏的滤波算法．
版本历史
介绍了R2017a
您也可以从以下列表中选择网站: