PCA图像特征提取算法

PCA图像特征提取算法：

　　PCA算法基于变量协方差矩阵对信息进行压缩和处理，通常用于数据降维，可将它用于图像矩阵降维，以降维后的矩阵为基础提取图像特征。当提取的图像特征维度比较高时，为了简化计算量以及存储空间，需要对这些高维数据进行一定程度上的降维，并尽量保证数据不失真。此外，PCA算法还可以应用于图像矩阵，它能找到变化大的维，去除掉那些变化不大的维度，这样能更有效提取图像明显特征，便于后期识别算法并进一步加工，因为图像特征组含有的不明显的特征值将会影响识别的精度。

　　

import numpy as np
import cv2
import mlpy

def readpic(fn):
    #返回图像特征码
    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