图像组训练过程的PCA和LDA应用方法

前言

       在图像的训练中，通常会把图像的每一个像素看做是一个变量，所以在图形训练的时候，变量的个数非常多，继而出现比较大的问题是变量之间往往有很多存在相关性，变量间的相关性会造成信息的重叠和分析的复杂性，所以使用主成分分析（Principal Componen Analys，简称“PCA”）进行降维是一个基本的方法。

       当使用了PCA进行降维后，我们介绍一个简单的分类器：线性判别方法（Linear Discriminant Analysis,简称“LDA”），虽然说这两个分析算法都是很基础的算法，但是在实际使用中效果还是很突出的，特别是如果待分类的数据本身是有一定的规则转化而来的，例如，通过旋转而产生的不同角度的数据，等等。

       这两个算法的数学解释就不在这里讨论了，详细可以参考本文参考内容里面的书籍，非常详细的讲解了这两个算法，我也是通过研读该书籍来学习的。

 

PCA操作方法

1. 将所有待分析的图像标准化后放到src的图像数组（vector类型也可以）中。

for(int i = 1; i <= 15; i++)
    {
        stringstream ss;
        string num;
        ss<<i;//将整数i读入字符串流
        ss