SVD扰动组合

Question

为了应用SVD微扰的组合：

I = imread('image.jpg');
Ibw = single(im2double(I));
[U S V] = svd(Ibw);
% calculate derviced image
P = U * power(S, i) * V'; % where i is between 1 and 2
%To compute the combined image of SVD perturbations:
J = (single(I) + (alpha*P))/(1+alpha); % where alpha is between 0 and 1

我把这种方法应用到一个特定的人脸识别模型中，我注意到这种方法的准确性大大提高了！所以它是非常有效的！有趣的是，我使用了值i=3/4和alpha=0.25，这篇文章发表在2012年的一份期刊上，其中作者使用了i=3/4和alpha=0.25。但是我没有注意到i一定在1 and 2之间！(我不知道作者是否听写错误，或者他们实际上使用了3/4的值)。因此，我试图将i的值更改为大于1的值，精度下降了！那么我能用3/4这个值吗？如果是的话，我如何论证我的方法呢？

我读到的那篇论文题为“基于增强SVD的人脸识别”。在第3页中，他们使用了i=3/4的值。(http://www.oalib.com/paper/2050079)

我需要你的帮助和意见。任何帮助都将非常感谢！

Answer 1

将奇异值放大，使其不受光照变化的影响，是在1和2之间的思想。

参考本文:一种新的基于SVD扰动的人脸识别方法:张道强、陈松灿和周志华。

注意，当n=1时，导出的图像P与原始图像i等价。如果选择n>1，则满足s_i >1的奇异值将被放大。因此，重建图像P强调了大奇异值的贡献，同时抑制了小奇异值的贡献。因此，通过将P集成到I中，我们得到了一个保持原始图像主要信息的组合图像J，期望它能更好地抵抗表情、光照和遮挡的微小变化。

我的观点是:当你在指数中缩放奇异值时，你基本上是在引入一个非线性，所以对于一个特定的数据集来说，缩小奇异值可能是有益的。就像调整监视器中的伽马校正因子一样。