#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;
}