Using an ensemble of spectral image

Using an ensemble of spectral images that represents a good cross-section of naturally occurring images, Ruderman et al. proceed to decorrelate these axes. Their motivation was to better understand the human visual system, which they assumed would attempt to process input signals similarly. We can compute maximal decorrelation between the three axes using principal components analysis (PCA), which effectively rotates them. The three resulting orthogonal principal axes have simple forms and are close to having integer coefficients. Moving to those nearby integer coefficients, Ruderman et al. suggest the following transform:

結果 (繁體中文) 1:

使用分光圖像的集合，表示天然存在的圖像的良好的橫截面，Ruderman等。進行去相關這些軸。他們的動機是為了更好地了解人類視覺系統，他們認為會試圖處理輸入信號與此類似。我們可以計算採用主成分分析（PCA），從而有效地轉動他們的三個軸之間最大的去相關。三個正交所得主軸具有簡單的形式和接近具有整數COEF音響cients。移動到附近的那些整數COEF網絡cients，Ruderman等。建議以下變換：

結果 (繁體中文) 2:

Ruderman 等人使用表示自然發生圖像良好橫截面的光譜圖像集合，著手消除這些軸的關聯性。他們的動機是更好地瞭解人類視覺系統，他們以為這個系統會嘗試以類似方式處理輸入信號。我們可以使用主分量分析 （PCA） 計算三個軸之間的最大相關性，從而有效地旋轉它們。生成的三個正交主軸具有簡單的形式，並且接近具有整數係數。Rrudeman 等人移動到附近的整數係數，建議進行以下轉換：

結果 (繁體中文) 3:

Ruderman等人使用光譜影像集合表示自然發生影像的良好橫截面。繼續解除這些軸的關聯。他們的動機是更好地理解人類的視覺系統，他們認為人類的視覺系統會試圖以類似的管道處理輸入信號。利用主成分分析（PCA）可以有效地旋轉三軸之間的最大去相關。得到的三個正交主軸形式簡單，接近於整數係數。Ruderman等人將目標轉移到整數係數附近。建議進行以下轉換：