一 什么是PCA

　　什么是PCA呢?

　　PCA 取自其英文的三个单词的首字母：Principle component analysis。中文名字：主成分分析。一般就是首先预处理数据，然后计算矩阵X的协防差阵。然后计算协防差阵的特征值和特征向量，最后根据特征值和特征向量建立一个映射矩阵…等等，一大堆的东西。

　　PCA主要用做人脸识别、异常检测等等。说的再明白点那就是：降维。其他拓展应用都是在这基础上做了相应的工作。

　　二 PCA 原理介绍

　　1 PCA 概念

　　PCA(Principal Component Analysis)是一种常用的数据分析方法。PCA 通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维处理。

　　PCA 特点：

　　主成分不变 细微损失 高维数据到低维数据

　　数据互换：

　　输出数据 = 前 K 个特征向量组合*均值调整后的数据 均值调整后的数据 = 前 K 个特征向量行组合 T*输出数据 原始数据 = 前 K 个特征向量行组合 T*输出数据+均值数据

　　2 opencv 中 PCA 相关接口

　　2.1 cvtColor()

　　void cvtColor( InputArray src, OutputArray dst, int code, int dstCn = 0 );

　　功能:颜色空间转换

　　参数：

　　src：原图

　　dst：保存转换后的图

　　dstCn：转换方式，比如 COLOR_BGR2GRAY 转换成灰度图

　　2.2 threshold()

　　double threshold( InputArray src, OutputArray dst, double thresh, double maxval, int

　　type );

　　功能:图像的二值化，就是将图像上的像素点的灰度值设置为 0 或 255，也就是将整个图像呈现出明

　　显的只有黑和白的视觉效果

　　参数：

　　src：原图

　　dst：保存转换后的图

　　thresh：设定的阈值

　　maxval：当灰度值大于(或小于)阈值时将该灰度值赋成的值

　　type：当前二值化的方式

　　2.3 findContours()

　　void findContours( InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset = Point());

　　功能:轮廓检测 参数： image：一般是灰度图或者二值化图，多是二值化图 contours：定义为“vector<vector> contours”，是一个双重向量，每一组点集就是一个 轮廓，有多少轮廓，contours 就有多少元素 hierarchy：定义为“vectorhierarchy”，hierarchy 是一个向量，向量内每个元素都是 一个包含 4 个 int 型的数组 mode：定义轮廓的检索模式 CV_RETR_EXTERNAL,只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略 CV_RETR_LIST,检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系 CV_RETR_CCOMP,检测所有的轮廓，但所有轮廓只建立两个等级关系 CV_RETR_TREE,检测所有轮廓，所有轮廓建立一个等级树结构 method：定义轮廓的近似方法 CV_CHAIN_APPROX_NONE,保存物体边界上所有连续的轮廓点到 contours 向量内; CV_CHAIN_APPROX_SIMPLE,仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入 contours 向量内，拐点与拐点之间直线段上的信息点不予保留; CV_CHAIN_APPROX_TC89_L1,使用 teh-Chinl chain 近似算法; CV_CHAIN_APPROX_TC89_KCOS,使用 teh-Chinl chain 近似算法。 offset：Point 偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出 的轮廓点上加上该偏移量，并且 Point 还可以是负值

　　原图：

　　灰度图：

　　二值化图：

　　轮廓检测图：

　　最终图：

上一篇

OpenCV系列教程（五）特征值和特征向量

下一篇

OpenCV系列教程（七）人脸检测