2DPCA matlab 算法

2DPCA 的matlab 算法，经试验效果还不错，希望对大家有用。

function [eigvectors eigvalues meanData newTrainData newTestData] = TDPCA（trainData testData height width numvecs）
%2DPCA	Two Dimensional Principal component analysis
%	Usage:
%	[eigvectors eigvalues meanData newTrainData newTestData] = TDPCA（trainData testData height width numvecs）
%
%	trainData: Rows of vectors of training data points
%   testData: Rows of vectors of testing data points
%   height: height of the image matrix
%   width: width of the image matrix
%   numvecs: the needed number of eigenvectors
%          
%   meanData: Mean of all the data. 
%	newTrainData: The data after projection （mean removed）
%   newTestData: The data after projection （mean removed）
%	eigvectors: Each column of this matrix is a eigenvector of the convariance
%	           matrix defined in 2DPCA
%	eigvalues: Eigenvalues of the convariance matrix
%
%
%   Reference paper: J.YangD.ZhangA.F.Frangiand J.Yang.Two-dimensional
%                    pca:A new approach to a appearance-based face
%                    represenation and recognition. IEEE Trans.on
%                    PAMI2004
%   Written by Zhonghua Shen （cnjsnt_s@yahoo.com.cn） 2006.07

% Check arguments

if nargin ~= 5
    error（‘usage: [eigvectors eigvalues meanData newTrainData newTestData] = TDPCA（trainData testData height width numvecs）‘）;
end;

[nSamnFea] = size（trainData）;

fprintf（1‘Computing average matrix...\n‘）;
meanDataVector = mean（trainData）;
meanData = reshape（meanDataVectorheightwidth）;

fprintf（1‘Calculating matrix differences from avg and 2DPCA covariance matrix L...\n‘）;
L = zeros（widthwidth）;
ddata = zeros（nSamnFea）;
for i = 1:nSam
    ddata（i:） = trainData（i:）-meanDataVector;
    dummyMat = reshape（ddata（i:）heightwidth）;
    L = L + dummyMat‘*dummyMat;
end;
L = L/nSam;
L = （L + L‘）/2;


fprintf（1‘Calculating eigenvectors of L...\n‘）;
[eigvectorseigvalues] = eig（L）;

fprintf（1‘Sorting eigenvectors according to eigenvalues...\n‘）;
[eigvectorseigvalues] = sortem（eigvectorseigvalues）;
eigvalues = diag（eigvalues）;

fprintf（1‘Normalize Vectors to unit length kill vectors corr. to tiny evalues...\n‘）;
num_good = 0;
for i = 1:size（eigvectors2）
    eigvectors（:i） = eigvectors（:i）/norm（eigvectors（:i））;
    if eigvalues（i） < 0.00001
        % Set the vector to the 0 vector; set the value to 0.
        eigvalues（i） = 0;
        eigvectors（:i） = zeros（size（eigvectors1）1）;
    else
        num_good = num_good + 1;
    end;
end;
if （numvecs > num_good）
    fprintf（1‘Warning: numvecs is %d; only %d exist.\n‘numvecsnum_good）;
    numvecs = num_good;
end;
eigvectors = eigvectors（:1:numvecs）;

if nargout == 5
fprintf（1‘Feature extraction and calculating new training and testing data...\n‘）;
newTrainData = zeros（nSamheight*numvecs）;
for i = 1:nSam
    dummyMat = reshape（ddata（i:）heightwidth）;
    newTrainData（i:） = reshape（dummyMat*eigvectors1height*numvecs）;
en

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3312  2006-08-03 10:44  TDPCA.m

     文件          0  2009-07-23 01:03  2dpca\MATLAB.txt

     文件       3312  2006-08-03 10:44  2dpca\TDPCA.m

     目录          0  2009-07-23 01:03  2dpca

----------- ---------  ---------- -----  ----

                 6624                    4