PCA类与主成成分的实现(opencv)

 

//主成分分析类
class CV_EXPORTS PCA
{
 public: 
     PCA();  //默认构造函数
    //构造函数
   PCA(InputArray data,                 //进行PCA变换的数据矩阵
       InputArray mean,                 //平均值(可选),如果此项为空,均值根据data计算。
       int flags,                       //data的存储方式,为CV_PCA_DATA_AS_ROW每行为一个样本,为CV_PCA_DATA_AS_COL,每列为一个样本
       int maxComponents=0);           //计算时保留的最大主成分的个数。如果是缺省值，则表示所有的成分都保留
   PCA(InputArray data,    //同上
        InputArray mean,   //同上
        int flags,         //同上
        double retainedVariance); //保留多少特征值，百分比，默认全保留
   PCA& operator()(InputArray data, InputArray mean, int flags, int maxComponents=0);
   PCA& computeVar(InputArray data, InputArray mean, int flags, double retainedVariance);

//该函数的作用是将输入的原始数据投影到PCA主成分空间中去，返回每一个样本主成分特征组成的矩阵。因为经过PCA处理后，原始数据的维数降低了，因此原始数据集中的每一个样本的维数都变了，由改///变后的样本集就组成了本函数的返回值。该方法将的一个或多个向量投影到主成分的子空间，每个矢量投影是由在主成分基的系数来表示。该方法的第一形式返回，第二种形式写入到结果矩阵。因此，第一//个形式可以用表达式的一部分，而第二形式可以是在一个处理循环时更有效。PCA::project()输出的结果，就是降维后的数据。
Mat project(InputArray vec) const;
void project(InputArray vec,
             OutputArray result) const; //输出矩阵，如果值CV_PCA_DATA_AS_COL，输出矩阵与输入向量的的列数相同，这意味着，结果.列==原始数据.列；行数为主成分个数


//进行project之后的数据，反映摄到原始数据。 PCA::project()的逆运算。由主成成分向量重构原始数据集。只有当主成成分全部保留时，重构的数据和原始数据一样。但通常，如果主成成分数量是足  //够大，差别是很小的。
 Mat backProject(InputArray vec) const; //vec为PCA::project()的输出结果
 void backProject(InputArray vec,
                 OutputArray result) const;//重构的矩阵，大小与PCA::project() 输出结果一样

 Mat eigenvectors;  //协方差矩阵的特征向量
 Mat eigenvalues;  //协方差矩阵的特征值
 Mat mean;       //原始数据的均值(矩阵的每一行或列为一个样本)
};
主成成分的实现(opencv)
#include <opencv2/opencv.hpp>  
#include <iostream>  
 
using namespace std;    
using namespace cv; 

#define ROWS 6
#define COLS 7
 
void main()  
{  
  //带降维的原始数据
  Mat Data_mat=(Mat_<float>(ROWS,COLS)<<
                      10.5, 10.4, 4.0, 9.7, 10.8,  14.2, 14.2,
                      10.8,  9.5, 5.7, 1.7, 16.7,  14.6, 16.4,
                      10.8,  7.4, 5.2, 9.2,  9.5,  13.6, 12.3,
                       9.4,  6.0, 4.2, 7.8,  9.1,   9.3, 14.3,
                      11.8,  7.7, 5.0, 8.1,  9.4,  12.0, 13.6,
                      11.8,  9.8, 4.4, 2.7,  9.6,  11.3, 13.4 );

  PCA pca(Data_mat, 
          cv::Mat(),
          CV_PCA_DATA_AS_COL,       //每一列为一个样本
          0.9);                     //保留多少特征值，百分比，默认全保留
  Mat dst=pca.project(Data_mat);    // 数据降维，dst即为主成成分数据
  Mat src=pca.backProject(dst);     //重构原始数据，可以看出src与原始数据很相似
  cout<<"dst:"<<dst<<endl;       
  cout<<"src:"<<src<<endl;       
  system("pause");
}
 

PCA算法步骤：

设有m条n维数据。

1）将原始数据按列组成n行m列矩阵X

2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值

3）求出协方差矩阵 C=1mXXT 注：这里的协方差矩阵指的是样本协方差矩阵

4）求出协方差矩阵的特征值及对应的特征向量

5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P

6） Y=PX 即为降维到k维后的数据

更多资源：

        [1]PCA数学原理：http://blog.codinglabs.org/articles/pca-tutorial.html

        [2]http://blog.csdn.net/yutianzuijin/article/details/10823985

        [3]http://blog.csdn.net/porly/article/details/7874701