本文共 2367 字，大约阅读时间需要 7 分钟。

#include 
   
    #include 
    
     #include 
     
      using namespace std;using namespace  cv;//PCA算法的实现和总结int main(){	//文件路名的前缀	string filename = "C:/Users/Administrator/Desktop/标准测试图片/CMU_PIE_Face/CMU_PIE_Face/Pose07_64x64_files/";	//选择20幅影像  d=20	vector
      
        Images;//影像的集合	for (int i = 11; i <= 220;i+=11)//这里仅仅是寻找影像的文件名，因为是以数字命名的，所以有这样的表达式，可以跳过	{		string name("");		ostringstream os;		os << i;		name = os.str() + ".jpg";		Mat temp = imread(filename+name, IMREAD_GRAYSCALE);//以灰度影像的方式进行读取		if (temp.empty())		{			continue;//如果读取失败，那么就继续下一副进行读取		}		//temp.convertTo(temp, CV_32FC1);//转换为浮点数		Images.push_back(temp);	}	//将影像合并成一幅影像,影像的大小为M*N，将这幅影像合并成一行数据 读取影像是64*64=4096	if (Images.empty())	{		return -1;//影像读取全部失败了	}	Mat BigImage = Mat(Images.size(), Images[0].cols*Images[0].rows, CV_32FC1);//大影像的大小为20 * 4096	//填充这一幅大影像	for (size_t i = 0; i < Images.size();++i)	{		//将每一幅影像的数据合并到大影像的行中		//Mat xi = BigImage.row(i);		Images[i].reshape(1, 1).convertTo(BigImage.row(i), CV_32FC1);	}	//现在可以进行PCA处理了	PCA pca(BigImage, noArray(), PCA::DATA_AS_ROW);//PCA 构造函数	Mat EigenValue = pca.eigenvalues.clone();//大小是20*1	//统计特征能量大于95%的成分	double Sum = 0;	for (size_t i = 0; i < Images.size();++i)	{		Sum += EigenValue.at
       
        (i);	}	double Radio = 0.95;	int index = 0;	double Add = 0;	while (Add/Sum<0.95)	{		Add += EigenValue.at
        
         (index); ++index; } //重新进行PCA分析 PCA pca1(BigImage, noArray(), PCA::DATA_AS_ROW,index);//PCA 构造函数----其中index =11 占有95的能量 //上述的函数PCA的构造函数中，也有另一个构造函数，最后一个参数是double类型，占有的比率，这里写出的原因的，是想看看 //一般特征值在前几个占的比率比较大 FileStorage fs;//将训练的PCA结果保存下来，以方便以后使用 fs.open("PCA.xml", FileStorage::WRITE); if (fs.isOpened()) { pca1.write(fs); fs.release(); } //特征向量大小为20*4096 Mat mean = pca1.mean.clone().reshape(0,Images[0].rows);//均值影像 //归一化处理 Mat dst; normalize(mean, dst, 0, 255, NORM_MINMAX,CV_8UC1);//这个在不同类型的时候，不支持in-place操作 imshow("mean", dst); Mat FirstImage = pca1.project(BigImage.row(0));//将第一幅原始影像投影到PCA中 投影之后的维度为1*11 （11是上述提取的最大主成分量） Mat FirstResult = pca1.backProject(FirstImage);//反向投影，是为了看看影像的结果 Mat result=FirstResult.reshape(0, Images[0].rows); Mat dst1; normalize(result, dst1, 0, 255, NORM_MINMAX,CV_8UC1); imshow("tile", dst1); //查看第一个特征量-主特征脸 Mat EigenFace = pca.eigenvectors.row(0).reshape(0, Images[0].rows); Mat dst2; normalize(EigenFace, dst2, 0, 255, NORM_MINMAX, CV_8UC1); imshow("Eigen0", dst2); waitKey(0); return 0;}
        
       
      
     
    
   

转载地址：https://blog.csdn.net/zhanggusheng/article/details/70167377 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！