图像降维之MDS特征抽取方法

共 3290字,需浏览 7分钟

 ·

2021-10-26 13:49

点击上方小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达

前  言


MDS,中文名叫“多维缩放”,是一种经典的降维方法,同时也是数据可视化的一种手段。最早起源于当我们仅能获得物体之间的相似性矩阵时,如何由此来重构它们的欧几里得坐标,如对一个国家的许多城市而言,假如我们不知道它们的经纬度信息,却知道所有城市两两之间的距离,就可以通过MDS方法重现它们的空间信息。MDS的基本思想很简单,要求原始空间中样本之间的距离在低维空间中得到保持。下面我们将对MDS的原理进行学习。

章节目录

  • 准备知识

  • 算法推导

  • 算法步骤

  • 实验

  • 总结


01 准备知识

实对称矩阵的特征分解性质

任意的对称矩阵都有N个线性无关的特征向量,并且可以正交单位化。实对称矩阵A可被分解成:

其中Q为正交矩阵,为实对角矩阵。



02 算法推导

给定m个样本的距离矩阵,其中第i行第j列的元素为样本的距离。目标是获得低维表示,其中,且保持任意两个样本在维空间的欧氏距离不变。

从已知的条件中,我们唯一能够得到降维后的样本与未降维前的样本之间的关系如下(1)式:

为了更清晰地观察的关系,将(1)式左边平方,得(2)式:

从(2)式可以看出,各自的模以及内积有关,为了能够统一表示这种关系,这里引入内积矩阵,其中,(2)式变换成(3)式:

显然,我们接下来的目标是得到B中任一元素的解析解。在不影响结果正确性的前提下,为了方便后续计算,令降维后的样本Z被中心化,即,可以得到,同理。则由(3)式可以得到式(4)(5)(6):

同理,

其中表示矩阵的迹(trace)。

由(4)(5)(6)式得,

为了表述清晰,令

联合(3)和(4)(9)式,得(10)式:

至此,已得到B和D的全部关系。接下来便是由B得到最终目标Z。

首先,我们可以判断出B是实对称矩阵,由实对称矩阵性质可知,,其中为特征值构成的对角矩阵,,V是特征向量矩阵。

一般降维任务总是取作为目标维度,所以取d'个最大特征值构成对角矩阵,对应的特征向量矩阵为,则


03 算法步骤

输入:距离矩阵,其元素为样本的距离;低维空间维数

过程

1: 根据(7)(9)式计算

2: 根据(10)式计算内积矩阵B;

3: 对B做特征值分解;

4: 取个最大特征值所构成的对角矩阵,为相应的特征向量矩阵。

输出



04 实验


实验代码

"""
MDS : Multi-dimensional Scaling
Refercences :
[1]周志华.机器学习[M].清华大学出版社,2016:425.
[2]http://scikit-learn.sourceforge.net/dev/modules/generated/sklearn.manifold.MDS.html

Author : Ggmatch
Date : 2019/4/7
"""

from time import time

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.ticker import NullFormatter

from sklearn import manifold, datasets

# 制造样本
n_points = 1000
X, color = datasets.samples_generator.make_s_curve(n_points, random_state=0)
n_neighbors = 10

fig = plt.figure(figsize=(55))  #画板
gs = fig.add_gridspec(1,2)  #共2副子图
ax1 = fig.add_subplot(gs[0,0], projection='3d')  #第一幅子图表示原始样本分布
ax1.scatter(X[:, 0], X[:, 1], X[:, 2], c=color, cmap=plt.cm.Spectral)

# MDS降维
n_components = 2

t0 = time()  #计时开始
mds = manifold.MDS(n_components, max_iter=100, n_init=1)  #建立MDS模型
Y = mds.fit_transform(X)
t1 = time()  #计时结束
ax2 = fig.add_subplot(gs[0,1])
ax2.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Spectral)  #第2副子图表示降维后样本分布
ax2.set_title("MDS (%.2g sec)" % (t1 - t0))
ax2.xaxis.set_major_formatter(NullFormatter())
ax2.yaxis.set_major_formatter(NullFormatter())

plt.show()


实验效果


05 总结

1)高维空间中对两个样本用欧式距离求直线距离,很多时候并不可取(如实验案例取得是流形空间),两点之间应该用“测地线”距离。改进算法为Isomap(Isomatric Mapping)。

2)MDS其实分为Metric MDS与Non-Metric MDS,本文讲述的是Metric MDS,通过样本之间的欧氏距离来近似代表相似度的思路,而Non-Metric MDS是通过点与点之间距离的单调映射来近似原有的距离。实际应用中,样本之间的距离越近,相似度越大,反之亦然。



References:

[1]https://baike.baidu.com/item/%E7%89%B9%E5%BE%81%E5%88%86%E8%A7%A3/12522621?fr=aladdin

[2]周志华.机器学习[M].清华大学出版社,2016:425.

[3]http://scikit-learn.sourceforge.net/dev/modules/generated/sklearn.manifold.MDS.html

[4]Cox, T.F., Cox, M.A.A. (2001). Multidimensional Scaling. Chapman and Hall.

[5]http://blog.sina.com.cn/s/blog_501162be0102v37l.html


下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲
小白学视觉公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲
小白学视觉公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群


欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~


浏览 57
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报