这里选用HOG 特征的数据对比
#include "stdafx.h"
#include <opencv.hpp>
#include <iostream>
#include<fstream>
using namespace cv;
using namespace std;
vector<string> get(string filename)
{
vector<string> img_path;//输入文件名变量
ifstream svm_data(filename.c_str());
string buf;
int len=0;
while( svm_data )//将训练样本文件依次读取进来
{
if( getline( svm_data, buf ) )
{
//if( len%2==0)
img_path.push_back( buf );//图像路径
}
//len++;
}
svm_data.close();//关闭文件
return img_path;
}
int _tmain(int argc, _TCHAR* argv[])
{
vector<string> img_path;//输入文件名变量
vector<int> img_catg;
int nLine = 0;
string buf;
locale loc = locale::global(locale(""));
ifstream svm_data( "train_list.txt" );//训练样本图片的路径都写在这个txt文件中,使用bat批处理文件可以得到这个txt文件
locale::global(loc);
ofstream zhengyangben_txt;
float result;
unsigned long n;
while( svm_data )//将训练样本文件依次读取进来
{
if( getline( svm_data, buf ) )
{
nLine ++;
if( nLine % 2 == 0 )//注:奇数行是图片全路径,偶数行是标签
{
img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型,标志(0,1,2,...,9),注意这里至少要有两个类别,否则会出错
}
else
{
img_path.push_back( buf );//图像路径
}
}
}
int num=0;
svm_data.close();//关闭文件
CvMat *data_mat, *res_mat;
int nImgNum = nLine / 2; //nImgNum是样本数量,只有文本行数的一半,另一半是标签
data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 ); //第二个参数,即矩阵的列是由下面的descriptors的大小决定的,可以由descriptors.size()得到,且对于不同大小的输入训练图片,这个值是不同的
cvSetZero( data_mat );
//类型矩阵,存储每个样本的类型标志
res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );
cvSetZero( res_mat );
IplImage* src;
IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);//需要分析的图片,这里默认设定图片是64*64大小,所以上面定义了1764,如果要更改图片大小,可以先用debug查看一下descriptors是多少,然后设定好再运行
//处理HOG特征
for( string::size_type i = 0; i != img_path.size(); i++ )
{
src=cvLoadImage(img_path[i].c_str(),1);
if( src == NULL )
{
cout<<" can not load the image: "<<img_path[i].c_str()<<endl;
continue;
}
cvResize(src,trainImg);
HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9,1,-1,HOGDescriptor::L2Hys,0.200000,false);
vector<float>descriptors;//存放结果
hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
cout<<"HOG dims: "<<descriptors.size()<<endl;
n=0;
for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
{
cvmSet(data_mat,i,n,*iter);//存储HOG特征
n++;
}
if(img_catg[i]==-1)
img_catg[i]=2;
else
num++;
cvmSet( res_mat, i, 0, img_catg[i] );
// cout<<" 处理完毕: "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;
}
Mat p_data=Mat(data_mat);
Mat mean_=Mat(1,1764,CV_32FC1);
Mat mm = Mat(1,num,CV_32FC1);
mm=1;
gemm(mm,p_data,1,mean_,0,mean_);
mean_=mean_/num;
PCA pca;
pca(p_data,mean_,0,100);//选择特征数量
Mat mmm=pca.eigenvalues;
Mat test=p_data(Rect(0,0,1764,1));
Mat dd = Mat(mmm.size(),CV_32FC1);
pca.project(test,dd); //投影
Mat rec;
pca.backProject(dd,rec); //反向投影,还原
printf("%d. diff = %g\n", 1, norm(test, rec, NORM_L2));
SVD svd;
svd(p_data);
Mat v=svd.vt;
Mat cc=v(Rect(0,0,1764,100));//选择特征数量
Mat dst;
gemm(test,cc,1,0,0,dst,GEMM_2_T);
Mat dst1;
gemm(dst,cc,1,0,0,dst1);
printf("%d. diff = %g\n", 1, norm(test, dst1, NORM_L2));
return 0;
}
结果对比:第一个为OPENCV的 PCA, 第二个为SVD 进行的PCA
都选取前100个特征值和特征向量