PCA-主成分分析

最新推荐文章于 2024-11-07 16:39:22 发布

原创最新推荐文章于 2024-11-07 16:39:22 发布 · 208 阅读

0 ·

CC 4.0 BY-SA版权

本文通过一个具体的实例演示了如何使用PCA(主成分分析)算法进行数据处理。代码中定义了一个包含五组样本数据的坐标矩阵，并利用OpenCV库中的PCA类实现了特征值与特征向量的计算。

#define DIMENTIONS	7
#define SAMPLE_NUM	5
float Coordinates[DIMENTIONS*SAMPLE_NUM]={
	101.5,100.4,97.0,98.7,100.8,114.2,104.2
	,100.8,93.5,95.9,100.7,106.7,104.3,106.4
	,100.8,97.4,98.2,98.2,99.5,103.6,102.4
	,99.4,96.0,98.2,97.8,99.1,98.3,104.3
	,101.8,97.7,99.0,98.1,98.4,102.0,103.7
};
int main()
{
	Mat pcaSet(SAMPLE_NUM, DIMENTIONS, CV_32FC1);
	for (int i=0; i<(SAMPLE_NUM); ++i)
	{
		for (int j=0; j<DIMENTIONS; ++j)
		{
			pcaSet.at<float>(i, j) = Coordinates[i*DIMENTIONS + j];
		}
	}
	//PCA pca(pcaSet, Mat(), CV_PCA_DATA_AS_ROW);///////////////
	PCA *pca = new PCA(pcaSet, Mat(), CV_PCA_DATA_AS_ROW);///////////////
	cout << "eigenvalues:" <<endl << pca->eigenvalues <<endl<<endl;
	cout << "eigenvectors" <<endl << pca->eigenvectors << endl;
	delete pca;
	return 0;
}