本文介绍了对一组照片进行PCA处理的过程和结果。本文使用OpenCV的PCA处理函数,参考了夏天的味道的博客opencv pca。本文使用的照片来源于YelaFaces(直接Baidu就能找到在CSDN上的下载链接,就不上传了)。
一、操作步骤
PCA处理的基本步骤为:
1、获取m个样本,每个样本有n个特征。
2、每个样本作为一行,构成m*n的举证A。
3、将矩阵转置再乘以自己得到C=A(t)*A。
4、求出矩阵C的特征值及特征向量,特征向量即为特征脸。
二、代码及解释
#include "stdafx.h"
#include <string>
#include <opencv2\opencv.hpp>
using namespace std;
using namespace cv;
int _tmain(int argc, _TCHAR* argv[])
{
//获取了mean_face
int num_sample = 38;
int norm_row = 64, norm_col = 56;
int num;
Mat imgs = loadImages(num);
Mat mean_face = Mat(norm_row, norm_col, CV_8UC1);
vector<int> mean_face_total;
mean_face_total.resize(norm_row * norm_col);
for (int i = 0; i < num; i++)
{
for (int j = 0; j < norm_row * norm_col; j++)
{
mean_face_total.at(j) += imgs.at<uchar>(i * norm_row * norm_col + j);
//eigen_face_total[j] += imgs.at<uchar>(i * 192 * 168 + j);
}
}
for (int j = 0; j < norm_row * norm_col; j++)
{
mean_face.at<uchar>(j) = (uchar)(mean_face_total.at(j) / num);
}
imwrite("C:/Users/dhj555/Desktop/YelaFaces/eigen_face/0001.jpg", mean_face);
imshow("eigen_face", mean_face);
//1、初始化数据
CvMat* pData = cvCreateMat(num_sample, norm_row * norm_col, CV_32FC1);
CvMat* pMean = cvCreateMat(1, norm_row * norm_col, CV_32FC1);
//每个数标志一个特征值
CvMat* pEigVals = cvCreateMat(1, min(num_sample, norm_row * norm_col), CV_32FC1);
//每行表示一个特征向量
CvMat* pEigVecs = cvCreateMat(min(num_sample, norm_row * norm_col), norm_row * norm_col, CV_32FC1);
for (int i = 0; i < num_sample; i++)
{
for (int j = 0; j < norm_row * norm_col; j++)
cvmSet(pData, i, j, imgs.at<uchar>(i * norm_row * norm_col + j));
}
//2、PCA处理
cvCalcPCA(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(num_sample, 20, CV_32FC1);
//cvProjectPCA(pData, pMean, pEigVecs, pResult);
//4、重构, 结果保存在pRecon中
//CvMat* pRecon = cvCreateMat(num_sample, norm_row*norm_col, CV_32FC1);
//cvBackProjectPCA(pResult, pMean, pEigVecs, pRecon);
//5、显示重构的图像
//Mat mRecon = Mat(pRecon);
//4、显示与保存特征向量
for (int i = 0; i < min(num_sample, norm_row * norm_col); i++)
{
float min = LLONG_MAX, max = LLONG_MIN, span = 0.0;
for (int index = 0; index < norm_row*norm_col; index++)
{
float d = cvmGet(pEigVecs, i, index);
if (d>max)
max = d;
if (d < min)
min = d;
}
span = max - min;
Mat eigen_face = Mat(norm_row, norm_col, CV_8UC1);
for (int index = 0; index < norm_row*norm_col; index++)
{
float d = cvmGet(pEigVecs, i, index);
eigen_face.at<uchar>(index) = (d - min) / span * 255.0;
}
char buffer[128];
sprintf_s(buffer, "C:/Users/dhj555/Desktop/YelaFaces/eigen_face/001/1-000%d.jpg", i);
string imgPath(buffer);
imshow(imgPath, eigen_face);
printf("%d st:\t%f\n", i, cvmGet(pEigVals, 0, i));
imwrite(imgPath, eigen_face);
}
}
1、第9至16行:声明变量。
2、第18至32行:读取文件到imgs中,总共读取了38张人脸,并将每张人脸缩放为64*56大小,所以imgs为38行,64*56列的矩阵。
3、第34至40行:声明了PCA计算相关的矩阵,具体说明见代码注释。
4、第42至46行:将imgs中的数据写入pData中,以用于PCA计算。
5、第49行:调用OpenCV的函数计算特征值及特征向量。
6、第64至88行:根据特征值导出特征脸并保存显示。
三、实验结果
求出的特征值及相应的特征脸(至上传了前11个,总共38个,可以在这里
下载查看所有的):
特征值 | 特征脸 |
0 st: 1512882.000000 | |
1 st: 316433.875000 | |
2 st: 268737.531250 | |
3 st: 248890.359375 | |
4 st: 177919.671875 | |
5 st: 139744.718750 | |
6 st: 112001.937500 | |
7 st: 108768.914063 | |
8 st: 85501.773438 | |
9 st: 72161.312500 | |
10 st: 67518.437500 | |
11 st: 62258.648438 |