Opencv 如何利用主成分分析进行降维

输入：从尺寸为75520的图像中提取的LBP特征，因此输入的LBP数据包含1行和75520列

所需输出：对输入应用PCA以减少维数

目前我的代码看起来像

void PCA_DimensionReduction(Mat &src, Mat &dst){

    int PCA_DIMENSON_VAL 40
    Mat tmp = src.reshape(1,1); //1 rows X 75520 cols
    Mat projection_result;
    Mat input_feature_vector;
    Mat norm_tmp;
    normalize(tmp,input_feature_vector,0,1,NORM_MINMAX,CV_32FC1);
    PCA pca(input_feature_vector,Mat(),CV_PCA_DATA_AS_ROW, PCA_DIMENSON_VAL);
    pca.project(input_feature_vector,projection_result);
    dst = projection_result.reshape(1,1);
}

基本上，我使用这个特征来匹配两幅图像之间的相似性，但如果不应用PCA，我就无法得到正确的结果

任何帮助都将不胜感激

问候

Haris…

您必须从大量图像中收集特征向量，从中制作单个pca（离线），然后使用平均值和特征向量进行投影。

//比方说，您已经收集了10个特征向量和30个元素。
//将它们展平为一行（重塑（1,1）），并将_推回到大数据垫中
材料D（10,30，CV_32F）；//10行（特征）30个元素
randu（D，0,10）；//仅用于此处的模拟
cerr hi dim lbp，冷；）但是你不应该为所有图像训练一个大型pca（离线）吗？不是每张照片一张吗？嗨，@Haris，事实上，我也有同样的想法，atm。从pca到随机投影，再到walsh hadamard，没有忘记小波，最后是一个简单的dft->抛出hf->dft回来，但最后-不使用lbp（u），而是一个更短的四块lbp特性（只有16个箱子，而不是256个（甚至lbpu为59个），然后跳过任何特性压缩），对我来说效果更好。评论？；）我也会很好奇，你是如何解决“内部面不可用”问题的；）（我的主要问题是找到一个很好的替代品…）Hi@berak感谢您的回复，关于您的第一条评论，我正在关注实施情况，但不知道如何使用PCA降低维度。目前我得到的特征向量大小为75520，但不知道如何将其输入PCA。嗨，我对你的第二条评论有一些疑问，在你的四块lbp特征提取中，你是如何修补脸的？你是在考虑整个脸？还是基于某个陆地标记？嗨，@berak谢谢你的回答，我会尽力理解你的答案，但在回答另一个问题之前，假设我必须比较两幅图像，比如加载img1->计算LBP（1X75520）->应用PCA降维，然后对img2执行相同的步骤，最后比较img1和img2的PCA输出的相似性。是的，完全正确。你比较了2张图片的投影（缩短）特征。顺便说一句，intraface呢？我从github的其他地方获得了一个开源项目库。你需要保存pca.mean和pca.eignvectors。然后，后面的投影是：从特征中减去平均值，然后与转置的特征向量相乘。
// let's say, you have collected 10 feature vectors a 30 elements.
// flatten them to a single row (reshape(1,1)) and push_back into a big Data Mat

Mat D(10,30,CV_32F); // 10 rows(features) a 30 elements
randu(D,0,10);       // only for the simulation here
cerr << D.size() << endl;
// [30 x 10]


// now make a pca, that will only retain 6 eigenvectors
// so the later projections are shortened to 6 elements:

PCA p(D,Mat(),CV_PCA_DATA_AS_ROW,6);
cerr << p.eigenvectors.size() << endl;
// [30 x 6]

// now, that the training step is done, we can use it to
// shorten feature vectors:
// either keep the PCA around for projecting:

// a random test vector, 
Mat v(1,30,CV_32F);
randu(v,0,30);

// pca projection:
Mat vp = p.project(v);

cerr << vp.size() << endl;
cerr << vp << endl;
// [6 x 1]
// [-4.7032223, 0.67155731, 15.192059, -8.1542597, -4.5874329, -3.7452228]


// or, maybe, save the pca.mean and pca.eigenvectors only, and do your own projection:

Mat vp2 = (v - mean) * eigenvectors.t();

cerr << vp2.size() << endl;
cerr << vp2 << endl;
//[6 x 1]
//[-4.7032223, 0.67155731, 15.192059, -8.1542597, -4.5874329, -3.7452228]