1) Fast approximate K L transform
快速近似K-L变换
2) approximate K-L transform
近似K-L变换
3) K-L transformation
K-L变换
1.
Application of K-L transformation to the noise attenuation in geological data;
K-L变换在地震资料去噪声的应用
2.
K-L transformation in wavelet conversion domain and the analysis of de-noise effect;
小波变换域K-L变换及其去噪效果分析
3.
The Research of Face Recognition Algorithm Based on K-L Transformation;
基于K-L变换的人脸识别算法研究
4) K-L transform
K-L变换
1.
Processing of acoustic well-logging waveform using K-L transform;
用K－L变换处理全波列声测井资料
2.
Iris recognition algorithm based on K-L transform;
基于K-L变换的虹膜识别方法
3.
Automatic bi-sensor image registration based on K-L transformation;
基于K-L变换的两传感器图像自动配准
5) Karhunen-Loeve transform
K-L变换
1.
The Research of Karhunen-Loeve Transform and Its Application for Image Compression;
K-L变换的研究及其在图像压缩编码中的应用
2.
Based on the model of vector error diffusion the halftoning noise characteristics for color image are developed,and a color inverse halftoning method based on Karhunen-Loeve transform and multi-scale pyramid transform is presented.
算法以K-L变换减弱彩色分量相关性,再利用多尺度中值金字塔算子以及维纳(Wiener)滤波分离并抑制高频细节子图中的半调噪声,最后进行中值金字塔、K-L逆变换重构结果图像。
3.
If no global correction is satisfied,image segmentation and Karhunen-Loeve transform are performed.
通过求取目标图像和源图像间的颜色校正矩阵,判断其是否满足全局校正的要求;对不满足要求的图像,通过图像分割和K-L变换(Karhunen-Loeve transform),建立起目标图像和源图像中各分割区域间的局部映射关系,并通过感兴趣区域匹配,来实现对源图像的校正,最后通过视频跟踪技术实现对视频图像的校正。
补充资料：快速傅立叶变换
快速傅氏变换 英文名是fast fourier transform
快速傅氏变换（fft）是离散傅氏变换(dft)的快速算法，它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。它对傅氏变换的理论并没有新的发现，但是对于在计算机系统或者说数字系统中应用离散傅立叶变换，可以说是进了一大步。
设x(n)为n项的复数序列，由dft变换，任一x（m）的计算都需要n次复数乘法和n-1次复数加法，而一次复数乘法等于四次实数乘法和两次实数加法，一次复数加法等于两次实数加法，即使把一次复数乘法和一次复数加法定义成一次“运算”（四次实数乘法和四次实数加法），那么求出n项复数序列的x（m）,即n点dft变换大约就需要n2次运算。当n=1024点甚至更多的时候，需要n2=1048576次运算，在fft中，利用wn的周期性和对称性，把一个n项序列（设n=2k,k为正整数），分为两个n/2项的子序列，每个n/2点dft变换需要（n/2）2次运算，再用n次运算把两个n/2点的dft变换组合成一个n点的dft变换。这样变换以后，总的运算次数就变成n+2（n/2）2=n+n2/2。继续上面的例子，n=1024时，总的运算次数就变成了525312次，节省了大约50%的运算量。而如果我们将这种“一分为二”的思想不断进行下去，直到分成两两一组的dft运算单元，那么n点的dft变换就只需要nlog2n次的运算，n在1024点时，运算量仅有10240次，是先前的直接算法的1%，点数越多，运算量的节约就越大，这就是fft的优越性。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条