wavepca.m

各种SVM分类算法

close all;
close all;
% calc xmean,sigma and its eigen decomposition
allsamples=[];%所有训练图像
M=60;
N=3;
for i=1:1:20
    for j=1:1:3
        %filename  = sprintf('D:\\MATLAB702\\work\\K-L\\yalefaces\\%d\\s%d.bmp',i,j);
        filename  = sprintf('D:\\MATLAB702\\work\\orl_faces\\s%d\\%d.pgm',i,j);
     a=imread(filename);
     size(a)
      % imshow(a);
      a=double(a);
      %小波
      [c,l]=wavedec2(a,2,'db2');
      cA1=appcoef2(c,l,'db4',1);
      ca1=wcodemat(cA1,440,'mat',0);
      a=ca1;
      %
     size(a)
      b=a(1:size(a,1)*size(a,2)); % b是行矢量 1×N，其中N＝10304，提取顺序是先列后行，即从上到下，从左到右
     
      allsamples=[allsamples; b];  % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M＝200
  end
end

samplemean=mean(allsamples); % 平均图片，1 × N

xmean=[];
for i=1:1:M 
    xmean(i,:)=allsamples(i,:)-samplemean; % xmean是一个M × N矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”
end;

sigma=xmean*xmean';   % M * M 阶矩阵
[v d]=eig(sigma);
d1=diag(d);
[d2 index]=sort(d1); %以升序排序
cols=size(v,2);% 特征向量矩阵的列数
vsort=[];
for i=1:cols
    vsort(:,i) = v(:, index(cols-i+1) ); % vsort 是一个M*col(注:col一般等于M)阶矩阵，保存的是按降序排列的特征向量,每一列构成一个特征向量
    Dsort(i)   = d1( index(cols-i+1) );  % dsort 保存的是按降序排列的特征值，是一维行向量
end  %完成降序排列
%以下选择90%的能量
dsum = sum(Dsort);
    dsum_extract = 0;
    p = 0;
    while( dsum_extract/dsum < 0.9)
        p = p + 1;
        dsum_extract = sum(Dsort(1:p));
    end
i=1;
% (训练阶段)计算特征脸形成的坐标系
while (i<=p && dsort(i)>0)
    base(:,i) = Dsort(i)^(-1/2) * xmean' * vsort(:,i);   % base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化，详见《基于PCA的人脸识别算法研究》p31
    i = i + 1;
end
% add by wolfsky 就是下面两行代码，将训练样本对坐标系上进行投影,得到一个 M*p 阶矩阵allcoor
allcoor = allsamples * base;

save allcoor;
save base;