%
原型百分比
%函數pca(路徑、訓練列表、子數據)
%
%使用示例
% PCA(' C:/FERET _ normalized/'，trainList500Imgs，200)；
%
%壹般描述
%實現了標準的Turk-Pentland Eigenfaces方法。作為決賽
% result，此函數將pcaProj矩陣與所有圖像壹起保存到磁盤
%投影到由PCA找到的亞次元空間上。
%
%引用
用於識別的特征臉，認知雜誌
%神經科學，第3卷，第1號，第71-86頁
%
% M.A. Turk，A.P. Pentland，使用特征臉的人臉識別，程序
%的IEEE計算機視覺和模式識別會議，
% 3-6 6月1991，美國夏威夷毛伊島，第586-591頁
%
%
%輸入:
% path-FERET數據庫中標準化圖像的完整路徑
% trainList -用於訓練的圖像列表。名字應該是
%不帶擴展名和。將自動添加pgm
% subDim -要保留的維數(所需的子空間
%維度)。如果此參數被忽略，最大
%非零維度將被保留，即(訓練圖像的數量)- 1
%
%輸出:
%函數將生成以下輸出並保存到磁盤:
% DATA - matrix，其中每壹列都是壹個經過矢量整形的圖像
% -這個矩陣的大小是(像素數)x(圖像數)，uint8
% imSpace -與數據相同，但只是訓練集中的圖像
% psi -平均臉(訓練圖像的)
% zeroMeanSpace -從imSpace中的每壹行減去平均面
% pcaEigVals -特征值
% w -低維PCA子空間
% pcaProj -投影到亞維空間的所有圖像
%
%註釋/評論
% *下列文件必須與該函數位於同壹路徑
%或Matlab路徑中的某處:
% 1.包含所有3816 FERET圖像的列表
%
% **所得子空間的每個維度都被歸壹化為單位長度
%
% ***使用Matlab 7開發
%
%
%修訂歷史記錄
% -
%
%相關功能(另請參見)
% createDistMat，feret
%
%大約
%創建時間:2005年9月3日
%上次更新:-
%修訂版:1.0
%
%作者:克雷西米爾·德拉奇
% mailto:kdelac@ieee.org
% URL:
%
%當發表壹篇論文作為使用此代碼進行的研究的結果時
%或其任何部分，請參考以下文件:
%德拉奇k，格吉奇m，格吉奇s，獨立比較研究的主成分分析，獨立成分分析和線性判別分析
FERET數據集上的%,國際成像系統與技術雜誌，
%第15卷，2006年第5期，第252-260頁
%
%如果未給出子尺寸，則n - 1尺寸為
%保留，其中n是訓練圖像的數量
如果nargin & lt三
subDim = dim-1；
結束；
顯示(“”)
加載listAll
%常數
numIm = 3816；
數據矩陣的內存分配百分比
fprintf('創建數據矩陣\n ')
tmp = imread([path char(listAll(1))'。PGM '])；
[m，n] =大小(tmp)；%圖像大小-稍後也會用到！！！
DATA = uint8(零(m*n，numIm))；分配的內存百分比
清除str tmp
%創建數據矩陣
對於i = 1 : numIm
im = imread ( [path char(listAll(i))'。PGM '])；
DATA(:，I)= shape(im，m*n，1)；
結束；
保存數據資料；
清除im；
%創建訓練圖像空間
fprintf('創建訓練圖像空間\n ')
dim =長度(train list)；
imSpace = zeros (m*n，dim)；
對於i = 1 : dim
index = strmatch (trainList(i)，list all)；
imSpace(:，i) = DATA(:，index)；
結束；
保存imSpace imSpace
清除數據；
%從訓練圖像計算平均臉
fprintf('零均值\n ')
psi = mean(double(im space '))'；
保存psi psi
%零均值
zeroMeanSpace = zeros(size(im space))；
對於i = 1 : dim
zeroMeanSpace(:，i) = double(imSpace(:，I))-psi；
結束；
保存zeroMeanSpace zeroMeanSpace
清除imSpace
% PCA
fprintf('PCA\n ')
l = zeroMeanSpace ' * zeroMeanSpace；%土耳其-彭特蘭詭計(零件1)
[eigVecs，EIG vals]= EIG(L)；
對角線= diag(EIG vals)；
[對角線，索引] = sort(對角線)；
index = flip ud(index)；
pcaEigVals = zeros(size(EIG vals))；
對於i = 1 : size(eigVals，1)
pcaEigVals(i，i) = eigVals(index(i)，index(I))；
pcaEigVecs(:，i) = eigVecs(:，index(I))；
結束；
pcaEigVals = diag(pcaEigVals)；
pcaEigVals = pcaEigVals/(dim-1)；
pcaEigVals = pcaEigVals(1:subDim)；%僅保留最大的子項目
pcaEigVecs = zeroMeanSpace * pcaEigVecs；%土耳其-彭特蘭騙局(第二部分)
保存pcaEigVals pcaEigVals
單位長度標準化百分比
fprintf('正常化\n ')
對於i = 1 : dim
pcaEigVecs(:，i) = pcaEigVecs(:，i) / norm(pcaEigVecs(:，I))；
結束；
%維度減少。
fprintf('創建低維子空間\n ')
w = pcaEigVecs(:，1:subDim)；
保存w w
清除w；
%從所有圖像中減去平均臉
加載數據；
負載psi
zeroMeanDATA = zeros(size(DATA))；
對於i = 1 : size(DATA，2)
zeroMeanDATA(:，i) = double(DATA(:，I))-psi；
結束；
清除psi
清除數據；
%將所有圖像投影到新的低維子空間(w)
fprintf('將所有圖像投影到新的低維子空間上\n ')
負載w；
pcaProj = w ' * zeroMeanDATA
清除w；
清除zeroMeanDATA
保存pcaProj pcaProj