基于ORL人脸库PCA特征提取之“基于主分量人脸重建”

2023-10-15 14:58

本文主要是介绍基于ORL人脸库PCA特征提取之“基于主分量人脸重建”,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!

1.approx()函数实现重建

function [ xApprox ] = approx( x, k )
% 用 k 个主成分分量来近似(重建)样本 x
%
% 输入:x --- 原特征空间中的样本,被近似的对象
%       k --- 近似(重建)使用的主分量数目
%
% 输出:xApprox --- 样本的近似(重建)% 读入 PCA 变换矩阵 V 和 平均脸 meanVec
load pcaMat.matnLen = length(x);xApprox = meanVec;for ii = 1:kxApprox=xApprox+((x-meanVec)*V(:,ii))*V(:,ii)';
end

2.显示重建的图片

理论上,reshape那段代码,可以直接用封装成displayImage程序。

注,load 相应的数据。

load MatFaceMat1.mat%载入样本矩阵
load pcaMat.mat;
x = FaceContainer(1,:);FaceImg1=reshape(x,112,92);
FaceImg1=uint8(FaceImg1);
subplot(2,2,4);
imshow(FaceImg1);%显示原图[pcaA V]= fastPCA1(FaceContainer,200);%采用fastPCA进行特征提取,常见fastPCA程序xApprox = ORLFaceChongJian(x,50);
% displayImage(xApprox,112,92);
FaceImg4=reshape(xApprox,112,92);
FaceImg4=uint8(FaceImg4);
subplot(2,2,3);
imshow(FaceImg4);xApprox = ORLFaceChongJian(x,100);
FaceImg2=reshape(xApprox,112,92);
FaceImg2=uint8(FaceImg2);
subplot(2,2,2);
imshow(FaceImg2);xApprox = ORLFaceChongJian(x,200);%200个主分量的重建
% displayImage(xApprox,112,92);
FaceImg3=reshape(xApprox,112,92);
FaceImg3=uint8(FaceImg3);
subplot(2,2,1);
imshow(FaceImg3);

参考:

  1. blog;
  2. blog;
  3. 数字图像处理与机器视觉Visual+C与Matlab实现配套代码(张铮版);

这篇关于基于ORL人脸库PCA特征提取之“基于主分量人脸重建”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!



http://www.chinasem.cn/article/218329

相关文章

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号

【LVI-SAM】激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节

激光雷达点云处理特征提取LIO-SAM 之FeatureExtraction实现细节 1. 特征提取实现过程总结1.0 特征提取过程小结1.1 类 `FeatureExtraction` 的整体结构与作用1.2 详细特征提取的过程1. 平滑度计算(`calculateSmoothness()`)2. 标记遮挡点(`markOccludedPoints()`)3. 特征提取(`extractF

图特征工程实践指南:从节点中心性到全局拓扑的多尺度特征提取

图结构在多个领域中扮演着重要角色,它能有效地模拟实体间的连接关系,通过从图中提取有意义的特征,可以获得宝贵的信息提升机器学习算法的性能。 本文将介绍如何利用NetworkX在不同层面(节点、边和整体图)提取重要的图特征。 本文将以NetworkX库中提供的Zachary网络作为示例。这个广为人知的数据集代表了一个大学空手道俱乐部的社交网络,是理解图特征提取的理想起点。 我们先定义一些辅助函数

[数据集][目标检测]人脸口罩佩戴目标检测数据集VOC+YOLO格式8068张3类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):8068 标注数量(xml文件个数):8068 标注数量(txt文件个数):8068 标注类别数:3 标注类别名称:["face_with_mask","face_without_mask","mask"] 每个类别

Python(TensorFlow和PyTorch)两种显微镜成像重建算法模型(显微镜学)

🎯要点 🎯受激发射损耗显微镜算法模型:🖊恢复嘈杂二维和三维图像 | 🖊模型架构:恢复上下文信息和超分辨率图像 | 🖊使用嘈杂和高信噪比的图像训练模型 | 🖊准备半合成训练集 | 🖊优化沙邦尼尔损失和边缘损失 | 🖊使用峰值信噪比、归一化均方误差和多尺度结构相似性指数量化结果 | 🎯训练荧光显微镜模型和对抗网络图形转换模型 🍪语言内容分比 🍇Python图像归一化

JD 1385:重建二叉树

OJ题目:click here~~ 题目分析:给前序遍历序列和中序遍历序列,重构二叉树并输出后序遍历序列 剑指offer 面试题6 AC_CODE int pre[1008] , in[1008] ;struct Node{int x ;Node *left ;Node *right ;};bool buildsubtree(Node*& root , int* spre , in

Activity转屏重建之 Activity.onConfigurationChanged

偶尔也会遇到由于转屏引起的一些问题。 有些时候,并不希望由于转屏使得Activity取重建。 再如键盘消失后的重建。 下面以一个demo为例子,小小总结一下用法。 如果想在转屏后,屏幕上立马打印出当前处于什么横竖屏状态 1.都知道有个属性android:configChanges可以用来定义什么情况下可以使得Activity不会restart。 android:configC

《机器学习》PCA数据降维 推导、参数讲解、代码演示及分析

目录 一、主成分分析 1、什么是主成分分析? 2、什么是降维? 3、如何进行主成分分析         1)数据标准化         2)计算协方差矩阵         3)计算特征值和特征向量         4)选择主成分         5)构建投影矩阵         6)数据降维 4、为什么要进行主成分分析         1)数据可视化         2)

【数据应用案例】卡通人脸检测

案例来源:@将门创投 案例地址: https://mp.weixin.qq.com/s/rze_vnSRriQ5tIzMd-bDug 1. 卡通人脸检测的用处 1)搜索引擎检索 2)通过识别与语音合成帮助视障用户享受卡通作品 3)内容控制和审查的一部分 2. 数据集:IIIT-CFW卡通数据集,包含8928张带标记卡通人脸图像,

《机器学习》—— PCA降维

文章目录 一、PCA降维简单介绍二、python中实现PCA降维函数的介绍三、代码实现四、PCA降维的优缺点 一、PCA降维简单介绍 PCA(主成分分析,Principal Component Analysis)是一种常用的数据降维技术。它通过线性变换将原始数据转换到新的坐标系统中,使得任何投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,