首页 > 代码库 > 【转】PCA算法学习_1(OpenCV中PCA实现人脸降维)

【转】PCA算法学习_1(OpenCV中PCA实现人脸降维)

2024-08-04 04:24:16   218人阅读

前言：

　　PCA是大家经常用来减少数据集的维数，同时保留数据集中对方差贡献最大的特征来达到简化数据集的目的。本文通过使用PCA来提取人脸中的特征脸这个例子，来熟悉下在oepncv中怎样使用PCA这个类。

　　开发环境：ubuntu12.04+Qt4.8.2+QtCreator2.5.1+opencv2.4.2

 

　　PCA数学理论：

　　关于PCA的理论，资料很多，公式也一大把，本人功底有限，理论方面这里就不列出了。下面主要从应用的角度大概来讲讲具体怎么实现数据集的降维。

  1. 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。当然了，为了避免样本的单位的影响，样本集需要标准化。

  2. 求该矩阵的协防差矩阵（关于协方差的介绍可以参考我的博文：一些知识点的初步理解_4(协方差矩阵,ing...)）。

  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。

 

　　实验说明：

　　在本次实验实现的过程中，需要用到opencv的这些函数，下面简单介绍下这些函数。

　　Mat Mat::reshape(int cn, int rows=0) const

　　该函数是改变Mat的尺寸，即保持尺寸大小=行数*列数*通道数 不变。其中第一个参数为变换后Mat的通道数，如果为0，代表变换前后通道数不变。第二个参数为变换后Mat的行数，如果为0也是代表变换前后通道数不变。但是该函数本身不复制数据（这点不是很理解，调用一个Mat的reshape，如果我们不把调用后的Mat做为返回值去用，难道此时调用前的Mat一点变化都没有？）。

 

　　void Mat::convertTo(OutputArray m, int rtype, double alpha=1, double beta=0 ) const

　　该函数其实是对原Mat的每一个值做一个线性变换。参数1为目的矩阵，参数2为目d矩阵的类型，参数3和4变换的系数，看完下面的公式就明白了：

　　

 

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

　　该构造函数的第一个参数为要进行PCA变换的输入Mat；参数2为该Mat的均值向量；参数3为输入矩阵数据的存储方式，如果其值为CV_PCA_DATA_AS_ROW则说明输入Mat的每一行代表一个样本，同理当其值为CV_PCA_DATA_AS_COL时，代表输入矩阵的每一列为一个样本；最后一个参数为该PCA计算时保留的最大主成分的个数。如果是缺省值，则表示所有的成分都保留。

 

　　Mat PCA::project(InputArray vec) const

　　该函数的作用是将输入数据vec(该数据是用来提取PCA特征的原始数据)投影到PCA主成分空间中去，返回每一个样本主成分特征组成的矩阵。因为经过PCA处理后，原始数据的维数降低了，因此原始数据集中的每一个样本的维数都变了，由改变后的样本集就组成了本函数的返回值。

 

　　Mat PCA::backProject(InputArray vec) const

　　一般调用backProject（）函数前需调用project()函数，因为backProject()函数的参数vec为经过PCA投影降维过后的矩阵。 因此backProject()函数的作用就是用vec来重构原始数据集（关于该函数的本质数学实现暂时还不是很了解）。

　　另外PCA类中还有几个成员变量，mean,eigenvectors, eigenvalues等分别对应着原始数据的均值，协方差矩阵的特征值和特征向量。

 

　　实验结果：

　　本次实验是用4个人人脸图像，其中每个人分别有5张，共计20张人脸图片。用这些图片组成原始数据集来提取他们的PCA主特征脸。该20张图片如下所示：

　　

 

　　当运行软件后，单击start按钮，该程序的结果显示如下：

　　 

　　其中第一行的3张人脸分别为20张原图中的3张，这里取的是3个不同人的。

　　第二行中显示的3张人脸分别为第一行中人脸经过PCA投影后，又方向投影过来的人脸图像，仔细观察可以看到第二行的人脸图像整体比第一行的亮度上要亮些，且细节上也有所不同。

　　第3行的人脸图为取的原始数据协方差矩阵特征向量的最前面3个，因此这3个人脸为最具代表人脸特征的3个PCA人脸特征。

 

　　实验主要部分代码即注释(附录有实验工程code下载链接):

pcaface.h:

#ifndef PCAFACE_H#define PCAFACE_H#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>using namespace cv;#include <QDialog>namespace Ui {class PCAFace;}class PCAFace : public QDialog{    Q_OBJECT    public:    explicit PCAFace(QWidget *parent = 0);    ~PCAFace();    Mat normalize(const Mat& src);    protected:    void changeEvent(QEvent *e);    private slots:    void on_startButton_clicked();    void on_closeButton_clicked();private:    Ui::PCAFace *ui;    Mat src_face1, src_face2, src_face3;    Mat project_face1, project_face2, project_face3;    Mat dst;    Mat pca_face1, pca_face2, pca_face3;    vector<Mat> src;    int total;};#endif // PCAFACE_H

 

pcaface.cpp:

#include "pcaface.h"#include "ui_pcaface.h"#include <QString>#include <iostream>#include <stdio.h>using namespace std;PCAFace::PCAFace(QWidget *parent) :    QDialog(parent),    ui(new Ui::PCAFace){    ui->setupUi(this);    src_face1 = imread("./images/1.pgm", 0);    //下面的代码为设置图片显示区域自适应图片的大小    ui->face1Browser->setFixedHeight(src_face1.rows+1);    ui->face1Browser->setFixedWidth(src_face1.cols+1);    ui->face2Browser->setFixedHeight(src_face1.rows+1);    ui->face2Browser->setFixedWidth(src_face1.cols+1);    ui->face3Browser->setFixedHeight(src_face1.rows+1);    ui->face3Browser->setFixedWidth(src_face1.cols+1);    ui->face4Browser->setFixedHeight(src_face1.rows+1);    ui->face4Browser->setFixedWidth(src_face1.cols+1);    ui->face5Browser->setFixedHeight(src_face1.rows+1);    ui->face5Browser->setFixedWidth(src_face1.cols+1);    ui->face6Browser->setFixedHeight(src_face1.rows+1);    ui->face6Browser->setFixedWidth(src_face1.cols+1);    ui->face7Browser->setFixedHeight(src_face1.rows+1);    ui->face7Browser->setFixedWidth(src_face1.cols+1);    ui->face8Browser->setFixedHeight(src_face1.rows+1);    ui->face8Browser->setFixedWidth(src_face1.cols+1);    ui->face9Browser->setFixedHeight(src_face1.rows+1);    ui->face9Browser->setFixedWidth(src_face1.cols+1);    for(int i = 1; i <= 15; i++)    {        stringstream ss;        string num;        ss<<i;//将整数i读入字符串流        ss>>num;//将字符串流中的数据传入num，这2句代码即把数字转换成字符        string image_name = ("./images/" + num + ".pgm");//需要读取的图片全名        src.push_back(imread(image_name, 0));    }    total= src[0].rows*src[0].cols;}PCAFace::~PCAFace(){    delete ui;}void PCAFace::changeEvent(QEvent *e){    QDialog::changeEvent(e);    switch (e->type()) {    case QEvent::LanguageChange:        ui->retranslateUi(this);        break;    default:        break;    }}//将Mat内的内容归一化到0～255，归一化后的类型为但通道整型Mat PCAFace::normalize(const Mat& src) {    Mat srcnorm;    cv::normalize(src, srcnorm, 0, 255, NORM_MINMAX, CV_8UC1);    return srcnorm;}void PCAFace::on_startButton_clicked(){    //先显示3张原图    ui->face1Browser->append("<img src=http://www.mamicode.com/images/1.pgm>");    ui->face2Browser->append("<img src=http://www.mamicode.com/images/7.pgm>");    ui->face3Browser->append("<img src=http://www.mamicode.com/images/14.pgm>");    //mat数组用来存放读取进来的所有图片的数据，其中mat的每一列对应1张图片，该实现在下面的for函数中    Mat mat(total, src.size(), CV_32FC1);    for(int i = 0; i < src.size(); i++)    {        Mat col_tmp = mat.col(i);        src[i].reshape(1, total).col(0).convertTo(col_tmp, CV_32FC1, 1/255.);    }    int number_principal_compent = 12;//保留最大的主成分数    //构造pca数据结构    PCA pca(mat, Mat(), CV_PCA_DATA_AS_COL, number_principal_compent);    //pca.eigenvectors中的每一行代表输入数据协方差矩阵一个特征向量，且是按照该协方差矩阵的特征值进行排序的    pca_face1 = normalize(pca.eigenvectors.row(0)).reshape(1, src[0].rows);//第一个主成分脸    imwrite("./result/pca_face1.jpg", pca_face1);//显示主成分特征脸1    ui->face7Browser->append("<img src=http://www.mamicode.com/result/pca_face1.jpg>");    pca_face2 = normalize(pca.eigenvectors.row(1)).reshape(1, src[0].rows);//第二个主成分脸    imwrite("./result/pca_face2.jpg", pca_face2);//显示主成分特征脸2    ui->face8Browser->append("<img src=http://www.mamicode.com/result/pca_face2.jpg>");    pca_face3 = normalize(pca.eigenvectors.row(2)).reshape(1, src[0].rows);//第三个主成分脸    imwrite("./result/pca_face3.jpg", pca_face3);//显示主成分特征脸3    ui->face9Browser->append("<img src=http://www.mamicode.com/result/pca_face3.jpg>");    //将原始数据通过PCA方向投影，即通过特征向量的前面几个作用后的数据，因此这里的dst的尺寸变小了    dst = pca.project(mat);    //通过方向投影重构原始人脸图像(其本质暂时还没完全弄明白)    project_face1 = normalize(pca.backProject(dst).col(0)).reshape(1, src[0].rows);    imwrite("./result/project_face1.jpg", project_face1);    ui->face4Browser->append("<img src=http://www.mamicode.com/result/project_face1.jpg>");    project_face2 = normalize(pca.backProject(dst).col(6)).reshape(1, src[0].rows);    imwrite("./result/project_face2.jpg", project_face2);    ui->face5Browser->append("<img src=http://www.mamicode.com/result/project_face2.jpg>");    project_face3 = normalize(pca.backProject(dst).col(13)).reshape(1, src[0].rows);    imwrite("./result/project_face3.jpg", project_face3);    ui->face6Browser->append("<img src=http://www.mamicode.com/result/project_face3.jpg>");}void PCAFace::on_closeButton_clicked(){    close();}

 

main.cpp:

#include <QApplication>#include "pcaface.h"int main(int argc, char *argv[]){    QApplication a(argc, argv);    PCAFace w;    w.show();        return a.exec();}

 

 

 

　　实验总结：

　　通过本次实验，对Opencv中的PCA这个类的使用有了一定的了解。

 

 

【转】PCA算法学习_1(OpenCV中PCA实现人脸降维)


联系
我们