一、PCA算法简介
PCA算法是基于图像重构的方法进行图像特征识别的。内有训练样本、多个测试图片以及文档说明。
识别步骤：
① 选择训练样本
② 计算样本平均数字特征，数字特征空间
③ 读取待识别数字，进行连通分量分割，确定需要识别数字个数
④ 通过判别式进行分类
二、部分源代码
clear all
clc
close all
% 选择训练数据、测试数据路径（即目录TrainData和TestData）
TrainDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[训练数据]路径' );
TestDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[测试数据]路径');
prompt = {'输入测试图像名字(1、2):'};
dlg_title = 'PCA识别输入';
num_lines= 1;
def = {'1'};
TestImage = inputdlg(prompt,dlg_title,num_lines,def);
TestImage = strcat(TestDatabasePath,'\',char(TestImage),'.jpg');
im = imread(TestImage);
T = CreateDatabase(TrainDatabasePath);%创建测试数据库
[m, A, EigenPos] = PCA(T);
OutputName = Recognition(TestImage, m, A, EigenPos);%识别输出匹配图像
SelectedImage = strcat(TrainDatabasePath,'\',OutputName);
SelectedImage = imread(SelectedImage);
imshow(im)
title('测试图像');
figure,imshow(SelectedImage);
title('等价图像');
unction OutputName = Recognition(TestImage, m, A, EigenPos)
% 识别操作:比较两图像，通过将图像映射到特征空间，并测量两者间的欧式距离
% 参数:TestImage 输入测试图像路径
% m (M*Nx1) 训练数据库的均值
% EigenPos (M*Nx(P-1)) 训练数据的协方差矩阵特征向量
% A (M*NxP) 居中的图像向量矩阵
% 返回：OutputName 训练数据库中被识别出来的图像名字
% 所有居中的图像通过乘以Eigenfaces来进行映射，每一副图的映射向量将是对应的特征向量
ProjectedImages = [];
Train_Number = size(EigenPos,2);
for i = 1 : Train_Number
temp = EigenPos'*A(:,i); %居中的图像映射
ProjectedImages = [ProjectedImages temp];
end
% 从测试图像中提取出PCA特征
InputImage = imread(TestImage);
temp = InputImage(:,:,1);
[irow icol] = size(temp);
Difference = double(InImage)-m; % 居中的测试图像
ProjectedTestImage = EigenPos'*Difference; % 测试图像特征向量
% 计算被映射的测试图像与所有居中的训练图像投影之间的欧式距离
% 设定测度图像与训练数据库中相应图像有最小距离
Euc_dist = [];
for i = 1 : Train_Number
q = ProjectedImages(:,i);
temp = ( norm( ProjectedTestImage - q ) )^2;
Euc_dist = [Euc_dist temp];
end
三、运行结果
四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
