2DPCA算法的Matlab实现

为什么80%的码农都做不了架构师？>>>   

代码

2DPCA算法的Matlab实现：

%--------------------------------------------------------------------------  
% 函数说明：2DPCA算法  
% 接收参数  
%   trainingSet:训练数据集，height*width*num的矩阵  
%   testingSet:测试数据集，3维矩阵  
%   numClass:训练样本和测试样本所拥有的类别数  
%   thresthold:阈值，决定特征向量个数的选择，既决定d取值，  
%              若传递的thresthold为小数，如0.95，自动根据阈值计算，d,q的取值；  
%              若传递的thresthold为>=1的整数，30,则会设d=30,numShape=d  
%     
% 函数返回  
%     accuracy:分类准确率  
%     right:正确分类的样本数目  
%   
%author:潘世瑞  
%Date:2008-10-22  
%--------------------------------------------------------------------------  
  
function [accuracy,right,numShape]=PCA_2D_Classifier(trainingSet,testingSet,numClass,thresthold)  
     
    numTrainInstance = size(trainingSet,3); %训练样本数  
    numTestInstance = size(testingSet,3);   %测试样本数  
    height = size(trainingSet,1);          %图像高度  
    width = size(trainingSet,2);         %图像宽度  
    perClassTrainLen = numTrainInstance/numClass;%每个类别的训练样本数  
    perClassTestLen = numTestInstance/numClass;%每个类别的测试样本数  
     
    numShape = 3;%训练的时候投影到多少维向量上，numShape<height  
    projection = zeros(width,numShape);  
    allprojectionFace = zeros(height,numShape,numTrainInstance);  
      
      
      
    %以下为训练  
    meanFace = mean(trainingSet,3);  
    %求协方差矩阵GT  
    CovG = zeros(width,width);  
    for n=1:numTrainInstance  
        disToMean = trainingSet(:,:,n)-meanFace;  
        CovG = CovG+disToMean'*disToMean;  
    end  
    CovG = CovG/numTrainInstance;  
  
    %求特征值和特征向量  
    [eigenFace,eigenValue] = svd(CovG);  
      
    if(nargin==4)  
        if(thresthold<1)%如果设置阈值为<1认为需要动态获得d的取值  
            %disp('u set thresthold');  
            sumEigenValue = 0;  
            tmp = 0;  
            for xi=1:size(eigenValue,2)  
                sumEigenValue = sumEigenValue+eigenValue(xi,xi);  
            end  
            for xi=1:size(eigenValue,2)  
                tmp = tmp+eigenValue(xi,xi);  
                if(tmp/sumEigenValue>thresthold)  
                    break;  
                end  
            end;  
            numShape = xi;    
        else %否则认为设置的阈值为d的值，即投影到多少维上  
            %disp('u set the d value...');  
            numShape = thresthold;  
        end  
              
        projection = zeros(width,numShape);  
        allprojectionFace = zeros(height,numShape,numTrainInstance);  
      
    end  
  
    %求投影向量projection,即图像的特征矩阵或特征图像  
    for k=1:numShape  
        projection(:,k) = eigenFace(:,k);  
    end  
  
    %保存每个训练样本投影后的特征  
    for inum = 1:numTrainInstance  
        allprojectionFace(:,:,inum) = trainingSet(:,:,inum)*projection;  
    end;  
      
    %以下为测试  
    right = 0;  
     
    for x=1:numTestInstance  
        afterProjection = testingSet(:,:,x)*projection;     
        error = zeros(numTrainInstance,1);  
        for i=1:numTrainInstance  
            %计算重构图像矩阵到各个类别图像矩阵间的距离  
            miss = afterProjection -allprojectionFace(:,:,i);  
            for j=1:size(miss,2)  
                error(i) =error(i)+ norm(miss(:,j));  
            end  
        end;  
         
        [errorS,errorIndex] = sort(error);  %对距离进行排序  
        class = floor((errorIndex(1)-1)/perClassTrainLen)+1;%将图像分到距离最小的类别中去,预测的类别  
          
        oriclass =  floor((x-1)/perClassTestLen)+1 ; %实际的类别  
        if(class == oriclass)  
            right = right+1;  
        end  
    end  
      
    accuracy = right/numTestInstance;  
      
end

Reference

整理一些网络上的PCA算法，供大家参考

转载于:https://my.oschina.net/keyven/blog/600938