كارايي تحليل مؤلفه‌هاي اصلي احتمالاتي تي-استودنت در فشرده‌سازي تصوير

تحليل مؤلفه‌هاي اصلي (PCA) يك روش كاهش بعد مجموعۀ داده‌ها است كه در زمينه‌هاي فشرده سازي داده با اتلاف، استخراج ويژگي و غيره كاربرد بسيار دارد. PCA مي‌تواند به عنوان راه‌حل ماكزيمم درستنمايي يك مدل متغير پنهان احتمالي بيان شود كه آن را مدل تحليل مؤلفه‌هاي اصلي احتمالاتي (PPCA) مي‌نامند. كاربرد اصلي مدل‌هاي PPCA در فشرده‌سازي اطلاعات است. معمولا آزمايش‌هاي تصوير بر اساس دو دسته داده‌ شبيه‌سازي و تصوير انجام مي‌شود. در اين مقاله مدل را بر پايه توزيع‌هاي نرمال و تي استيودنت مطرح و با استفاده از روش الگوريتم اميد رياضي-بيشينه كردن (EM) پارامترهاي مورد نياز آن را برآورد كرده‌ايم. براي نشان دادن كارايي اين مدل‌ها در فشرده‌سازي تصوير، چند تصوير منتخب را با استفاده از دو شاخص ميانگين مربعات خطا (MSE) و نسبت سيگنال به نويز (SNR) مورد بررسي قرار داده ايم. در نهايت با مقايسه نتايج، مدل طرح شده بر پايه توزيع تي استيودنت بسيار رضايت‌بخش تر نسبت به توزيع نرمال بوده است.