下载文档原格式
多尺度几何分析详解一、从小波分析到多尺度几何分析小波分析取在从多学科领域中取得巨大成功的一个关键原因在于它比傅里叶分析能更“稀疏”地表示一维分段光滑或者有界变差函数。
遗憾的是，小波分析在一维时所具有的优异特性并不能简单的推广到二维或更高维。
这是因为一维小波张成的可分离小波(Separable wavelet)只具有有限的方向，不能“最优”表示含线或者面奇异的高维函数，但事实上具有线或面奇异的函数在高维空间中非常普遍，例如，自然物体光滑边界使得自然图像的不连续性往往体现为光滑曲线上的奇异性，而并不仅仅是点奇异。
换句话说，在高维情况下，小波分析并不能充分利用数据本身特有的几何特征，并不是最优的或者说“最稀疏”的函数表示方法；而继小波分析之后发展起来的多尺度几何分析（Multiscale Geometric Analysis,MGA）发展的目的和动力正是要致力于发展一种新的高维函数的最优表示方法，为了检测、表示、处理某些高维空间数据，这些空间的主要特点是：其中数据的某些重要特征集中体现于其低维子集中（如曲线、面等）。
比如，对于二维图像，主要特征可以由边缘所刻画，而在3-D图像中，其重要特征又体现为丝状物（filaments）和管状物（tubes）。
由一维小波张成的二维小波基具有正方形的支撑区间，不同的分辨率下，其支撑区间为不同尺寸大小的正方形。
二维小波逼近奇异曲线的过程最终表现为用“点”来逼近线的过程。
在尺度j，小波支撑区间的边长近似为2-j，幅值超过2-j的小波系数的个数至少为O(2j)阶，当尺度变细时，非零小波系数的数目以指数形式增长，出现了大量不可忽略的系数，最终表现为不能“稀疏”表示原函数。
因此，我们希望某种变换在逼近奇异曲线时，为了能充分利用原函数的几何正则性，其基的支撑区间应该表现为“长条形”，以达到用最少的系数来逼近奇异曲线。
基的“长条形”支撑区间实际上是“方向”性的一种体现，也称为这种基具有“各向异性(anisotropy)”。
彩色图像多尺度多元图像的检测分析1引言近几年来随着彩色图像传感器成本的降低和机器视觉应用的发展，彩色机器视觉检测需求变得越来越多，已经成为机器视觉理论和应用发展的重要方向。
但目前彩色机器视觉检测理论还不够成熟，检测方法的应用不能只是简单的从灰度图像扩展到多通道彩色图像，彩色图像视觉检测方法有着自己的特点,有必要进一步的深入研究。
本文在前面高斯多尺度多元图像分析的基础上，从灰度图像分析扩展到彩色图像，提出彩色图像的多尺度多元图像表示及其多元图像分析理论。
通过对人眼视觉系统结构和感知特性的分析，可以发现彩色图像的多尺度表示及多元图像分析方法有着深刻的视觉仿生理论基础，能够模拟人眼对颜色纹理的三基色多尺度视觉感知和感受野拮抗信息处理过程。
本文首先从人眼视网膜结构和信息传递特性出发，对颜色和纹理的神经生理学感知和处理机制进行了分析，提出多尺度颜色纹理视觉感知和拮抗色信息处理的模型，从视觉仿生角度，对彩色图像颇色纹理多尺度多元图像表示及其多元图像分析方法进行了论述。
多尺度多元图像分析方法，将颜色纹理彩色图像的多尺度表示投影到本征空间，能够获得非常符合人眼颜色纹理感知的本征特征。
在此基础上,提出了颇色纹理彩色图像的去噪算法，通过在本征空间上滤波消除噪声。
实验结果表明，提出的彩色图像去噪算法更符合人对图像质量的主观评价。
2人眼颜色和纹理感知机制分析颜色和纹理是人类视觉系统感知的两种最主要信息，也是彩色机器视觉和图像分析的重要内容。
为了获得有效的颜色纹理图像分析方法，有必要对人眼视觉系统的神经生理学结构和颜色纹理感知及信息处理机制进行深入的认识和分析。
2.1视觉通路和视网膜生理结构外界光线通过人眼的角膜，经过瞳孔进入眼球,通过晶状体的聚焦调节，穿过玻璃体投影到眼球后部的视网膜上，在视网膜上由感光细胞完成光到生物电信号的转换，并进行信息的初级处理，视网膜输出的信号经过视神经向下一级传递，左右两眼的视神经信息在视交叉处经过交叉，通过视束将信息分别传递到位于间脑的左右两个侧膝体（外侧膝状体），侧膝体本身作为一种信息中转结构，最终将信息通过视辐射传递到大脑视皮层。
多维尺度分析多维尺度分析（multidimensional scaling ,MDS ）又称ALSCALE(alternative least-square SCALing),还有人称之为多维量表分析；它是将一组个体间的相异数据经过MDS 转换成空间构图，且保留原始数据的相对关系。
1多维尺度分析的目的假设给你一张中国台湾省地图，要你算出基隆，台北，新竹，台中，台南，嘉义，高雄，花莲，台东，枋寮，苏澳，恒春等地间的距离，你可以用一把刻度尺根据比例测算出一个12x12de 距离矩阵；反之，如果给你一份12个城市间的距离矩阵，要你画出12个城市相对位置的二维台湾地图，且要他们与现实尽量保持一致，那就是一件不容易的工作了，多为尺度分析就为此工作提供了一个有效地分析手段。
2多为尺度分析与因子分析和聚类分析的异同多为尺度分析和因子分析都是维度缩减技术，但是因子分析一般使用相关系数进行分析，使用的是相似性矩阵；而多为尺度分析采用的是不相似的评分数据或者说相异性数据来进行分析；与因子分析不同，多为尺度分析中维度或因素的含义不是分析的中心，各数据点在空间中的位置才是分析解释的核心内容；多为尺度分析与聚类分析也有相似之处，两者都可以检验样品或者变量之间的近似性或距离，但聚类分析中样品通常是按质分组的；多维分析不是将分组或聚类作为最终结果，而是以一个多维尺度图作为最终结果，比较直观。
若你的目的是要把一组变量缩减成几个因素来代表，可考虑使用因素分析；若目的是变量缩减后以呈现在空间图上，则可以使用MDS 。
如果你是想要却仍相似观测值得组别，请考虑以聚类分析来补充多为尺度分析，聚类分析虽可以确认组别，但无法在空间图中标示出观测。
3.定性的和定量的MDSMDS 分析测量的尺度不可以是nominal 的，但可以是顺序的ordinal,等距的interval,比率的ratio 。
顺序量表只可以用于质的分析，又称为定性多维量表分析；它以个体间距离排序为主；而interval 和ratio 量表称为定量多维量表分析（定量多维尺度分析）。
多维尺度分析多维尺度分析（MultiDimensional Scaling）是分析研究对象的相似性或差异性的一种多元统计分析方法。
采用MDS可以创建多维空间感知图，图中的点（对象）的距离反应了它们的相似性或差异性（不相似性）。
一般在两维空间，最多三维空间比较容易解释，可以揭示影响研究对象相似性或差异性的未知变量-因子-潜在维度。
在市场研究领域主要研究消费者的态度，衡量消费者的知觉及偏好。
涉及的研究对象非常广泛，例如：汽车、洗头水、饮料、快餐食品、香烟和国家、企业品牌、政党候选人等。
通过MDS分析能够为市场研究提供有关消费者的知觉和偏好信息。
MDS一般需要借助SPSS或SAS统计分析软件，输入有关消费者对事物的知觉或偏好数据，转换为一组对象或对象特征构成的多维空间知觉或偏好图——感知图。
应用MDS，收集的数据值大小必须能够反应两个研究对象的相似性或差异性程度。
这种数据叫做邻近数据，所有研究对象的邻近数据可以用一个邻近矩阵表示。
反映邻近的测量方式：•相似性-数值越大对应着研究对象越相似。
•差异性-数值越大对应着研究对象越不相似。
测量邻近性数据的类型：•两个地点（位置）之间的实际距离。
（测量差异性）•两个产品之间相似性或差异性的消费者心理测量。
（差异性或相似性）•两个变量的相关性测量。
（相关系数测量相似性）•从一个对象过渡到另一个对象的转换概率。
例如概率反应了消费者对品牌或产品偏好的变化。
（测量相似性）•反映两种事物在一起的程度。
例如：用早餐时人们经常将哪两种食品搭配在一起。
（测量相似性）•谁喜欢谁，谁是谁的领导，谁传递给谁信息，谁是谁的上游或下游等等社会网络数据等（测量相似性）邻近数据即可以直接测量（距离），也可以通过计算得到（变量间的相关系数）。
MDS最经典的案例就是用感知图表现美国主要城市的航空距离！我们采用SAS进行分析，选择Market模块，选择MDS方法，SAS可以直接处理矩阵数据！非常简单得到结果：你可以对着美国的地图和各个城市的地理位置，是否能够看出MDS给你的方位和差异感觉！请大家自己试一试用MDS分析中国主要省会城市之间航空距离的MDS分布。
第十三章数据的多维尺度分析1．形象测定比较组织的支持者与非支持者对组织形象的感知，并与组织自身的初衷相对照比较，如企业、社会机构、政府部门形象测定等。
2．细分对象分析不同对象在相同维度空间上的位置，确定他（它）们在感知方面相对同质的群体。
3．寻找业务空间图上的空档通常意味着潜在机会。
通过空间图的分析，可以对现有业务进行评估，了解人们对新业务概念的感觉和偏好，以便找到新业务并为其准确定位。
4．确定态度量表的结构可以用来确定态度空间的合适维度和结构。
在考虑产品研发和形象设计时，可通过调查获取描述自身产品与竞争对手产品的感知相似性数据，将这些近似性与自变量（如价格）相对接，可尝试确定哪些变量对于人们如何看待这些产品至关重要，从而对产品形象做出相应的调整。
第三节多维尺度分析结果解读 本节阐述导入问题用SPSS的ALSCAL、PROXSCAL方法分析后所得结果的解读。
一、ALSCAL的结果解读与分析第一节各选项设置完毕后，单击图13-3中的“确定”按钮，即得到ALSCAL的各项输出结果。
包括表13-3的文本及图13-16、图13-17、图13-18、图13-19。
表13-3由以下三部分构成。
第一部分说明降为二维空间时的迭代进程，经过4次迭代后，S-stress改变量为0.000 62，小于0.001的迭代标准，模型迭代停止。
第二部分说明模型的拟合效果，RSQ是不相似性在二维空间中能够解释部分占总变异的比例，而Stress是依据Kruskal’s应力公式1计算所得，显示了每个个体和样本整体的应力值，样本的应力平均值为0.398 94>0.2，且RSQ=0.376 64，表示用二维空间只能解释10个消费者评价饮料差异性的37.7%，模型拟合效果较差。
第三部分输出模型结果。
（1）10种品牌的饮料投影到二维空间上的坐标值，绘制在二维坐标系下的散点如图13-16所示。
它是评价对象（客体）在二维空间的直观呈现。
