图像主成分分析-任意尺寸都可用

网页上没查到我想要的图像主成分分析代码，而且部分写的思路跟我也不一致，所以自己写了一个，看着简单明了

​
from cv2 import *
from numpy import *
from PIL import Image
"""
这里做的是一个单通道图的主成分分析，三通道的等以后用到了在写，学习进度所限
还有一个感受就是，opencv用着比PIL要复杂，
因为第一遍使用了opencv，但在最后转成图像的时候，opencv出了问题，所以我将开头和结尾改用了PIL
"""

img = Image.open("C:/Users/93970/Desktop/3.1.png")

#图像转矩阵
data = img.convert("L")
data = mat(data)#np.mat和np.array的区别在于，*可以直接表示矩阵乘法，等价于np.dot()

#去中心化
mean_x = mean(data,axis=1)#按行计算均值
data  = data.astype("float64")#就是说float64和unit8不能直接相减，所以要转换下
data  -= mean_x

#协方差矩阵计算
cov_mat = 1.0/(data.shape[0]-1) * data * data.T

#求协方差矩阵的特征值特征向量
evalue, evector = linalg.eig(cov_mat)

#寻找主要特征值对应的特征向量，因为协方差矩阵和对角矩阵特征值相同，所以对应的特征向量的位置一样，所以可通过对角阵的主要特征值找出特征向量
evalue_index = argsort(evalue)[::-1]#argsor是按从小到大的顺序排列，所以取反


k = input("你想要的保留的维度：")
evalue_index = evalue_index[:int(k)]
principal_evector = evector[:,evalue_index]

#信息损失率


#获取原始数据在改组基上的坐标
loc = principal_evector.T.dot(data)
#获取原始数据在本组基下的表现形式
recover_mat = principal_evector.dot(loc)

#将矩阵数据转成图像
recove_image = recover_mat + mean_x
newImg = Image.fromarray(uint8(recove_image))
newImg.show()

​