PCA人脸识别Eigenface特征脸Matlab

clear all
clc
close all

um=100;
ustd=80;

train_sample=[];%所有训练图像
ClassNum=40; % 40 persons
tol_num=10;
train_samplesize=5; % Num of pict for training
train=1:train_samplesize;
test=train_samplesize+1:tol_num;
M=200;
p=40; %%PCA降维维数
%每类训练样本、测试样本个数
train_num=length（train）;
test_num=length（test）;
rows=112;
cols=92;
%读入训练样本，测试样本
[train_sampletrain_label]=readsample（ClassNumtrainrowscols）;
[test_sampletest_label]=readsample（ClassNumtestrowscols）;
icol=cols;
irow=rows;
% read and show image
S=[];    % img matrix
figure（1）;
for i=1:40
    for j=1:5
str=strcat（‘[ORL]/s‘num2str（i）‘/‘num2str（j）‘.bmp‘）;    % concatenates two strings that form the name of the image
eval（‘img=imread（str）;‘）;
% subplot（ceil（sqrt（M））ceil（sqrt（M））i）
% imshow（img）
% if i==3
% title（‘Training set‘‘fontsize‘18）
% end
% drawnow;
[irow icol]=size（img）;    % get the number of rows （N1） and columns （N2）
temp=reshape（img‘irow*icol1）;    % creates a （N1*N2）x1 vector
S=[S temp]; % S is a N1*N2xM matrix after finishing the sequence
    end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Here we change the mean and std of all images. We normalize all images.
% This is done to reduce the error due to lighting conditions and background.
for i=1:size（S2）
temp=double（S（:i））;
m=mean（temp）;
st=std（temp）;
S（:i）=（temp-m）*ustd/st+um;%
end

% show normalized images
figure（2）;
for i=1:M
str=strcat（int2str（i）‘.jpg‘）;
img=reshape（S（:i）icolirow）;
img=img‘;
eval（‘imwrite（imgstr）‘）; 
% subplot（ceil（sqrt（M））ceil（sqrt（M））i）
% imshow（img）
% drawnow;
if i==3
title（‘Normalized Training Set‘‘fontsize‘18）
end
end


% mean image
m=mean（S2）;  % obtains the mean of each row instead of each column
tmimg=uint8（m）; % converts to unsigned 8-bit integer. Values range from 0 to 255
img=reshape（tmimgicolirow）; % takes the N1*N2x1 vector and creates a N1xN2 matrix
img=img‘; 
figure（3）;
imshow（img）;
title（‘Mean Image‘‘fontsize‘18）

% Change image for manipulation
dbx=[];    % A matrix
for i=1:M
temp=double（S（:i））;
dbx=[dbx temp];
end

%Covariance matrix C=A‘A L=AA‘
A=dbx‘;
L=A*A‘;
% vv are the eigenvector for L
% dd are the eigenvalue for both L=dbx‘*dbx and C=dbx*dbx‘;
[vv dd]=eig（L）;
% Sort and eliminate those whose eigenvalue is zero
v=[];
d=[];
for i=1:size（vv2）
if（dd（ii）>1e-4）
v=[v vv（:i）];
d=[d dd（ii）];
end
end

%sort will return an ascending sequence
[B index]=sort（d）;
ind=zeros（size（index））;
dtemp=zeros（size（index））;
vtemp=zeros（size（v））;
len=length（index）;
for i=1:len
dtemp（i）=B（len+1-i）;
ind（i）=len+1-index（i）;
vtemp（:ind（i））=v（:i）;
end
d=dtemp;
v=vtemp;


%Normalization of eigenvectors
for i=1:size（v2） %access each column
kk=v（:i）;
temp=sqrt（sum（kk.^2））;
v（:i）=v（:i）./temp;
end

%Eigenvectors of C matrix
u=[];
for i=1:p %size（v2）
temp=sqrt（d（i））;
u=[u （dbx*v（:i））./temp];
end

%Normalization of eigenvectors
for i=1:p%size（u2）
kk=u（:i）;
temp=sqrt（sum（kk.^2））;
u（:i）=u（:i）./temp;
end


% show eigenfaces
figure（4）;
for i=1:p%size（u2）
img=  reshape（u（:i）icolirow）;
img