opencv PCA算法

#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=20 vector<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=4096 if (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*4096 Mat 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; }