PCA SVD opencv 降维对比

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