PCA相关资料.docxVIP

在OPENCV中使用PCA非常简单，只要几条语句就可以了。1. 初始化数据//每一行表示一个样本CvMat* pData = cvCreateMat( 总的样本数, 每个样本的维数, CV_32FC1 );CvMat* pMean = cvCreateMat(1, 样本的维数, CV_32FC1);//pEigVals中的每个数表示一个特征值CvMat* pEigVals = cvCreateMat(1, min(总的样本数,样本的维数), CV_32FC1);//每一行表示一个特征向量CvMat* pEigVecs = cvCreateMat( min(总的样本数,样本的维数), 样本的维数,?CV_32FC1);2. PCA处理，计算出平均向量pMean,特征值pEigVals和特征向量pEigVecscvCalcPCA( pData, pMean, pEigVals, pEigVecs, CV_PCA_DATA_AS_ROW );3. 选出前P个特征向量(主成份)，然后投影，结果保存在pResult中，pResult中包含了P个系数CvMat* pResult = cvCreateMat( 总的样本数, PCA变换后的样本维数(即主成份的数目), CV_32FC1 );cvProjectPCA( pData, pMean, pEigVecs, pResult );4. 重构，结果保存在pRecon中CvMat* pRecon = cvCreateMat(总的样本数, 每个样本的维数, CV_32FC1 );cvBackProjectPCA( pResult, pMean, pEigVecs, pRecon );5.重构误差的计算?计算pRecon和pData的差就可以了。?使用时如果是想用PCA判断“是非”问题，则可以先用正样本计算主成分，判断时，对需要判断得数据进行投影，然后重构，计算重构出的数据与原数据的差异，如果差异在给定范围内，可以认为“是”。?如果相用PCA进行分类，例如，对数字进行分类，则先用所有数据（0-9的所有样本）计算主成分，然后对每一类数据进行投影，计算投影的系数，可简单得求平均，即对每一类求出平均系数。分类时，将需要分类得数据进行投影，得到系数，与先前计算出得每一类得平均系数进行比较，可判为最接近得一类。当然这只是最简单得使用方法。?PCA人脸识别（原文出处：/linzhao/archive/2012/01/05/2312758.html/linzhao/archive/2012/01/05/2312758.html?）?PCA(Eigenface)方法是人脸识别的主流方法之一。cvEigenDecomposite()函数作用是将人脸图像通过Eigenface变换矩阵，投射到子空间中。子空间中的人脸向量，是一个1×nEigens（nEigens由自己取得）的行向量，极大地降低了数据维度，便于下一步的聚类、识别。结合具体例子，尽量清楚地跟大家讨论这个函数的用途。?函数说明如下：EigenDecomposite：Calculates all decomposition coefficients for input object?计算输入目标的所有的分解系数void?cvEigenDecomposite(?IplImage* obj, int nEigObjs, void* eigInput,int ioFlags, void* userData, IplImage* avg, float* coeffs?);?obj?- Input object，输入目标nEigObjs?- Number of eigen objects，自选eigen数量eigInput?- Pointer either to the array of IplImage input objects or to the read callback function according to the value of the parameter ioFlags，eigenface向量组成的变换矩阵，数据结构属于IplImage队列，或者根据ioFlag参数值变化的回调函数。ioFlags?- Input/output flagsuserData?- Pointer to the structure that contains all necessary data for the callback functions.avg?- Averaged object.coeffs?- Calculated coefficients; an output parameter 这是唯一一个输出，即人脸在子空间的投影（decomposition co