在OpenCV中使用SVD的PCA

我有一個m * n維的矩陣M。 M包含n個數據，每個數據具有m維並且m非常大於n。在OpenCV中使用SVD的PCA

現在的問題是，如何計算或哪些步驟或程序找到的PCA中號使用SVD在OpenCV的只保留那些含有總負載或能量的99％特徵向量？

2013-04-18 Saikat

您需要首先從數據矩陣M.您可以使用的OpenCV的calcCovarMatrix功能或簡單地計算C =（M - 畝）計算的協方差矩陣C」 X （M - mu）其中我假設你的數據樣本以M行存儲，mu是你數據樣本的平均值，A'是矩陣A轉置。接下來，對C執行SVD以獲得USU'= SVD（C），其中U'是U轉置的。在這種情況下，來自SVD的V'與U'相同，因爲C是對稱和正定的（如果C是滿秩的）或半定的（如果它是秩不足的）。 U包含C的特徵向量。你想要做的是保持k個特徵向量，即k個列（或行？你必須檢查OpenCV文檔是否返回特徵向量作爲行或列） U，其矩陣S中對應的奇異值對應於k個最大奇異值，並且其總和除以所有奇異值的總和≥0.99。基本上，這裏的奇異值對應於特徵向量中每個對應特徵的差異，並且保持頂部k保持0.99，即99％的方差/能量。

這些特徵向量組合在一起形成一個矩陣，比如英國，就是您的PCA基地。由於這些特徵向量恰好相互正交，因此Uk，Uk'的轉置就是投影矩陣。爲了得到新的測試樣本x的降維點，只需計算x_reduced = Uk'*（x-mu）;

來源

2013-04-18 08:26:47 lightalchemist

一般來說，對於PCA（即不是特定於OpenCV），您將從協方差矩陣開始。所以在你的情況下，輸入將是由原始樣本的組件方差形成的m*m方陣。

然後你在（非常大的）方形對稱矩陣上做一個特徵向量分解，並且可以提取你需要的最上面的特徵向量。使用相應的特徵值來確定您的百分比方差覆蓋率。

如果原始變量的比例不相似 - 即您沒有規範化數據 - 則可以使用相關矩陣而不是協方差矩陣。

對於使用OpenCV的PCA，谷歌給出some very usefule examples

來源

2013-04-18 06:12:39

在OpenCV中使用SVD的PCA

回答

相關問題