opencv PCA算法

来源：互联网发布：矩阵中rank什么意思编辑：程序博客网时间：2024/05/23 19:44
#include <iostream>#include <opencv2/opencv.hpp>#include <sstream>using namespace std;using namespace  cv;//PCA算法的实现和总结int main(){//文件路名的前缀string filename = "C:/Users/Administrator/Desktop/标准测试图片/CMU_PIE_Face/CMU_PIE_Face/Pose07_64x64_files/";//选择20幅影像  d=20vector<Mat> Images;//影像的集合for (int i = 11; i <= 220;i+=11)//这里仅仅是寻找影像的文件名，因为是以数字命名的，所以有这样的表达式，可以跳过{string name("");ostringstream os;os << i;name = os.str() + ".jpg";Mat temp = imread(filename+name, IMREAD_GRAYSCALE);//以灰度影像的方式进行读取if (temp.empty()){continue;//如果读取失败，那么就继续下一副进行读取}//temp.convertTo(temp, CV_32FC1);//转换为浮点数Images.push_back(temp);}//将影像合并成一幅影像,影像的大小为M*N，将这幅影像合并成一行数据 读取影像是64*64=4096if (Images.empty()){return -1;//影像读取全部失败了}Mat BigImage = Mat(Images.size(), Images[0].cols*Images[0].rows, CV_32FC1);//大影像的大小为20 * 4096//填充这一幅大影像for (size_t i = 0; i < Images.size();++i){//将每一幅影像的数据合并到大影像的行中//Mat xi = BigImage.row(i);Images[i].reshape(1, 1).convertTo(BigImage.row(i), CV_32FC1);}//现在可以进行PCA处理了PCA pca(BigImage, noArray(), PCA::DATA_AS_ROW);//PCA 构造函数Mat EigenValue = pca.eigenvalues.clone();//大小是20*1//统计特征能量大于95%的成分double Sum = 0;for (size_t i = 0; i < Images.size();++i){Sum += EigenValue.at<float>(i);}double Radio = 0.95;int index = 0;double Add = 0;while (Add/Sum<0.95){Add += EigenValue.at<float>(index);++index;}//重新进行PCA分析PCA pca1(BigImage, noArray(), PCA::DATA_AS_ROW,index);//PCA 构造函数----其中index =11  占有95的能量//上述的函数PCA的构造函数中，也有另一个构造函数，最后一个参数是double类型，占有的比率，这里写出的原因的，是想看看//一般特征值在前几个占的比率比较大FileStorage fs;//将训练的PCA结果保存下来，以方便以后使用fs.open("PCA.xml", FileStorage::WRITE);if (fs.isOpened()){pca1.write(fs);fs.release();}//特征向量大小为20*4096Mat mean = pca1.mean.clone().reshape(0,Images[0].rows);//均值影像//归一化处理Mat dst;normalize(mean, dst, 0, 255, NORM_MINMAX,CV_8UC1);//这个在不同类型的时候，不支持in-place操作imshow("mean", dst);Mat FirstImage = pca1.project(BigImage.row(0));//将第一幅原始影像投影到PCA中   投影之后的维度为1*11 （11是上述提取的最大主成分量）Mat FirstResult = pca1.backProject(FirstImage);//反向投影，是为了看看影像的结果Mat result=FirstResult.reshape(0, Images[0].rows);Mat dst1;normalize(result, dst1, 0, 255, NORM_MINMAX,CV_8UC1);imshow("tile", dst1);//查看第一个特征量-主特征脸Mat EigenFace = pca.eigenvectors.row(0).reshape(0, Images[0].rows);Mat dst2;normalize(EigenFace, dst2, 0, 255, NORM_MINMAX, CV_8UC1);imshow("Eigen0", dst2);waitKey(0);return 0;}
1 0