PCA圖像特征提取算法

PCA圖像特征提取算法：

　　PCA算法基於變量協方差矩陣對信息進行壓縮和處理，通常用於數據降維，可將它用於圖像矩陣降維，以降維后的矩陣為基礎提取圖像特征。當提取的圖像特征維度比較高時，為了簡化計算量以及存儲空間，需要對這些高維數據進行一定程度上的降維，並盡量保證數據不失真。此外，PCA算法還可以應用於圖像矩陣，它能找到變化大的維，去除掉那些變化不大的維度，這樣能更有效提取圖像明顯特征，便於后期識別算法並進一步加工，因為圖像特征組含有的不明顯的特征值將會影響識別的精度。

　　

import numpy as np
import cv2
import mlpy

def readpic(fn):
    #返回圖像特征碼
    fnimg = cv2.imread(fn)
    img = cv2.resize(fnimg,(500,400))
    w = img.shape[1]
    h = img.shape[0]
    w_interval = w/20
    h_interval = h/10
    alltz = []
    for now_h in range(0,h,h_interval):
        for now_w in range(0,w,w_interval):
            b = img[now_h:now_h + h_interval,now_w:now_w + w_interval,0]
            g = img[now_h:now_h + h_interval,now_w:now_w + w_interval,1]
            r = img[now_h:now_h + h_interval,now_w:now_w + w_interval,2]
            btz = np.mean(b)
            gtz = np.mean(g)
            rtz = np.mean(r)
            alltz.append([btz,gtz,rtz])
    result_alltz = np.array(alltz).T
    pca = mlpy.PCA()
    pca.learn(result_alltz)
    result_alltz = pca.transform(result_alltz, k = len(result_alltz) / 2)
    result_alltz = result_alltz.reshape(len(result_alltz))
    return result_alltz