java利用opencv降维_opencv中PCA降维

PCA--主成分分析，主要用在降维上。

具体原理讲解的很多，在这里就不多说了。

PCA主要计算步骤如下：

1、事先把每个样本归一化，把原始数据中每个样本用一个向量表示，然后把所有样本组合起来构成一个矩阵。

2、求该矩阵的协防差矩阵

3、求步骤2中得到的协方差矩阵的特征值和特征向量。

4、将求出的特征向量按照特征值的大小进行组合形成一个映射矩阵，并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。

5、用步骤4的映射矩阵对原始数据进行映射，达到数据降维的目的。

PCA的应用：

1、人脸识别

2、其他运算的预处理也叫数据的白化

opencv中PCA类的主要函数有：

C++: PCA::PCA(InputArray data, InputArray mean, int flags, int maxComponents=0)

//参数依次为：原始数据；原始数据均值，输入空会自己计算；每行/列代表一个样本；保留多少特征值，默认全保留

C++: PCA::PCA(InputArray data, InputArray mean, int flags, double retainedVariance)

//参数依次为：原始数据；原始数据均值，输入空会自己计算；每行/列代表一个样本；保留多少特征值，百分比，默认全保留

C++: PCA& PCA::computeVar(InputArray data, InputArray mean, int flags, double retainedVariance)

//参数依次为：原始数据；原始数据均值，输入空会自己计算；每行/列代表一个样本；保留多少特征值，百分比，默认全保留

C++: Mat PCA::project(InputArray vec) const

//原图像，投影到新的空间

C++: Mat PCA::backProject(InputArray vec) const

//先进行project之后的数据，反映摄到原始图像

变量值有：mean--------原始数据的均值

eigenvalues--------协方差矩阵的特征值

eigenvectors--------特征向量

函数使用测试：#pragma once#pragma execution_character_set("utf-8")

#include 

#include 

#include 

#include 

using namespace cv;

using namespace std;

#define DIMENTIONS7

#define SAMPLE_NUM31

float Coordinates[DIMENTIONS*SAMPLE_NUM] = {

101.5, 100.4, 97.0, 98.7, 100.8, 114.2, 104.2

, 100.8, 93.5, 95.9, 100.7, 106.7, 104.3, 106.4

, 100.8,