NMF人脸数据特征提取

基于《Python机器学习》——北京理工大学 学习笔记

NMF方法及实例——人脸数据特征提取

非负矩阵分解（Non-negative Matrix Factorization ，NMF）是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。

基本思想：给定一个非负矩阵V，NMF能够找到一个非负矩阵W和一个非负矩阵H，使得矩阵W和H的乘积近似等于矩阵V中的值。

W矩阵：基础图像矩阵，相当于从原矩阵V中抽取出来的特征.
H矩阵：系数矩阵。
NMF能够广泛应用于图像分析、文本挖掘和语音处理等领域。

目标：已知Olivetti人脸数据共400个，每个数据是64*64大小。由于NMF分解得到的W矩阵相当于从原始矩阵中提取的特征，那么就可以使用NMF对400个人脸数据进行特征提取。

from numpy.random import RandomState                            #导入相关工程包
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_olivetti_faces
from sklearn import decomposition
 
 
n_row, n_col = 2, 3                                              #设置图像展示时排列情况，2×3
n_components = n_row * n_col                                    #设置提取的特征的数目
image_shape = (64, 64)                                          #设置人脸数据图片的大小
 
 
###############################################################################
# Load faces data
dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0))
faces = dataset.data                                        #加载数据，打乱顺序
 
###############################################################################
def plot_gallery(title, images, n_col=n_col, n_row=n_row):
    plt.figure(figsize=(2. * n_col, 2.26 * n_row))                 #创建图片，并指定图片大小
    plt.suptitle(title, size=16)                                   #设置标题及字号大小
 
    for i, comp in enumerate(images):
        plt.subplot(n_row, n_col, i + 1)                              #选择画制的子图
        vmax = max(comp.max(), -comp.min())
 
        plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
                   interpolation='nearest', vmin=-vmax, vmax=vmax)  #对数值归一化，并以灰度图形式显示
        plt.xticks(())
        plt.yticks(())                    #去除子图的坐标轴标签
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)           #对子图的位置及间隔调整
 
     
plot_gallery("First centered Olivetti faces", faces[:n_components])
###############################################################################
 #创建特征提取的对象NMF，使用PCA作为对比，并将他们存放在同一列表中
estimators = [
    ('Eigenfaces - PCA using randomized SVD',
         decomposition.PCA(n_components=6,whiten=True)),
 
    ('Non-negative components - NMF',
         decomposition.NMF(n_components=6, init='nndsvda', tol=5e-3))
]
 
###############################################################################
 #降维后数据点的可视化：
for name, estimator in estimators:                     #分别调用PCA和NMF
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    estimator.fit(faces)                                   #调用PCA或NMF提取特征
    components_ = estimator.components_ 	          #获取提取的特征
    plot_gallery(name, components_[:n_components])             #按照固定格式进行排列
 
plt.show()

 **subplot(numRows, numCols, plotNum)**

1. 图表的整个绘图区域被分成 numRows 行和 numCols 列

2. 然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1

3. plotNum 参数指定创建的 Axes 对象所在的区域

参考链接 https://www.cnblogs.com/lizm166/p/9667923.html