本文主要是介绍PCA算法：从一组照片中获取特征脸（特征向量），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本文介绍了对一组照片进行PCA处理的过程和结果。本文使用OpenCV的PCA处理函数，参考了夏天的味道的博客opencv pca。本文使用的照片来源于YelaFaces（直接Baidu就能找到在CSDN上的下载链接，就不上传了）。
一、操作步骤
PCA处理的基本步骤为：
1、获取m个样本，每个样本有n个特征。
2、每个样本作为一行，构成m*n的举证A。
3、将矩阵转置再乘以自己得到C=A(t)*A。
4、求出矩阵C的特征值及特征向量，特征向量即为特征脸。
二、代码及解释
#include "stdafx.h"
#include <string>
#include <opencv2\opencv.hpp>
using namespace std;
using namespace cv;int _tmain(int argc, _TCHAR* argv[])
{//获取了mean_faceint num_sample = 38;int norm_row = 64, norm_col = 56;int num;Mat imgs = loadImages(num);Mat mean_face = Mat(norm_row, norm_col, CV_8UC1);vector<int> mean_face_total;mean_face_total.resize(norm_row * norm_col);for (int i = 0; i < num; i++){for (int j = 0; j < norm_row * norm_col; j++){mean_face_total.at(j) += imgs.at<uchar>(i * norm_row * norm_col + j);//eigen_face_total[j] += imgs.at<uchar>(i * 192 * 168 + j);}}for (int j = 0; j < norm_row * norm_col; j++){mean_face.at<uchar>(j) = (uchar)(mean_face_total.at(j) / num);}imwrite("C:/Users/dhj555/Desktop/YelaFaces/eigen_face/0001.jpg", mean_face);imshow("eigen_face", mean_face);//1、初始化数据CvMat* pData = cvCreateMat(num_sample, norm_row * norm_col, CV_32FC1);CvMat* pMean = cvCreateMat(1, norm_row * norm_col, CV_32FC1);//每个数标志一个特征值CvMat* pEigVals = cvCreateMat(1, min(num_sample, norm_row * norm_col), CV_32FC1);//每行表示一个特征向量CvMat* pEigVecs = cvCreateMat(min(num_sample, norm_row * norm_col), norm_row * norm_col, CV_32FC1);for (int i = 0; i < num_sample; i++){for (int j = 0; j < norm_row * norm_col; j++)cvmSet(pData, i, j, imgs.at<uchar>(i * norm_row * norm_col + j));}//2、PCA处理cvCalcPCA(pData, pMean, pEigVals, pEigVecs, CV_PCA_DATA_AS_ROW);//3、选出前P个特征向量(主成份),然后投影,结果保存在pResult中，pResult中包含了P个系数//CvMat* pResult = cvCreateMat(num_sample, 20, CV_32FC1);//cvProjectPCA(pData, pMean, pEigVecs, pResult);//4、重构, 结果保存在pRecon中//CvMat* pRecon = cvCreateMat(num_sample, norm_row*norm_col, CV_32FC1);//cvBackProjectPCA(pResult, pMean, pEigVecs, pRecon);//5、显示重构的图像//Mat mRecon = Mat(pRecon);//4、显示与保存特征向量for (int i = 0; i < min(num_sample, norm_row * norm_col); i++){float min = LLONG_MAX, max = LLONG_MIN, span = 0.0;for (int index = 0; index < norm_row*norm_col; index++){float d = cvmGet(pEigVecs, i, index);if (d>max)max = d;if (d < min)min = d;}span = max - min;Mat eigen_face = Mat(norm_row, norm_col, CV_8UC1);for (int index = 0; index < norm_row*norm_col; index++){float d = cvmGet(pEigVecs, i, index);eigen_face.at<uchar>(index) = (d - min) / span * 255.0;}char buffer[128];sprintf_s(buffer, "C:/Users/dhj555/Desktop/YelaFaces/eigen_face/001/1-000%d.jpg", i);string imgPath(buffer);imshow(imgPath, eigen_face);printf("%d st:\t%f\n", i, cvmGet(pEigVals, 0, i));imwrite(imgPath, eigen_face);}
} 2、第18至32行：读取文件到imgs中，总共读取了38张人脸，并将每张人脸缩放为64*56大小，所以imgs为38行，64*56列的矩阵。
3、第34至40行：声明了PCA计算相关的矩阵，具体说明见代码注释。
4、第42至46行：将imgs中的数据写入pData中，以用于PCA计算。
5、第49行：调用OpenCV的函数计算特征值及特征向量。
6、第64至88行：根据特征值导出特征脸并保存显示。
三、实验结果
求出的特征值及相应的特征脸（至上传了前11个，总共38个，可以在这里 下载查看所有的）：
| 特征值 | 特征脸 |
| 0 st: 1512882.000000 |  |
| 1 st: 316433.875000 |  |
| 2 st: 268737.531250 |  |
| 3 st: 248890.359375 |  |
| 4 st: 177919.671875 |  |
| 5 st: 139744.718750 |  |
| 6 st: 112001.937500 |  |
| 7 st: 108768.914063 |  |
| 8 st: 85501.773438 |  |
| 9 st: 72161.312500 |  |
| 10 st: 67518.437500 |  |
| 11 st: 62258.648438 |  |
这篇关于PCA算法：从一组照片中获取特征脸（特征向量）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
