主成分分析（principal components analysis， PCA）

      在OPENCV中使用PCA非常简单，只要几条语句就可以了。

1、初始化数据

//每一行表示一个样本

CvMat* pData = cvCreateMat( 总的样本数, 每个样本的维数, CV_32FC1 );

CvMat* pMean = cvCreateMat(1, 样本的维数, CV_32FC1);

//pEigVals中的每个数表示一个特征值

CvMat* pEigVals = cvCreateMat(1, min(总的样本数,样本的维数), CV_32FC1);

//每一行表示一个特征向量

CvMat* pEigVecs = cvCreateMat( min(总的样本数,样本的维数), 样本的维数, CV_32FC1);

2、PCA处理,计算出平均向量pMean,特征值pEigVals和特征向量pEigVecs

cvCalcPCA( pData, pMean, pEigVals, pEigVecs, CV_PCA_DATA_AS_ROW );

3、选出前P个特征向量(主成份),然后投影,结果保存在pResult中，pResult中包含了P个系数

CvMat* pResult = cvCreateMat( 总的样本数, PCA变换后的样本维数(即主成份的数目), CV_32FC1 );

cvProjectPCA( pData, pMean, pEigVecs, pResult );

4、 重构,结果保存在pRecon中

CvMat* pRecon = cvCreateMat( 总的样本数, 每个样本的维数, CV_32FC1 );

cvBackProjectPCA( pResult, pMean, pEigVecs, pRecon );

5、重构误差的计算

计算pRecon和pData的"差"就可以了.

使用时如果是想用PCA判断“是非”问题，则可以先用正样本计算主成分，判断时，对需要判断得数据进行投影，然后重构，计算重构出的数据与原数据的差异，如果差异在给定范围内，可以认为“是”。

如果相用PCA进行分类，例如对数字进行分类，则先用所有数据（0-9的所有样本）计算主成分，然后对每一类数据进行投影，计算投影的系数，可简单得求平 均。即对每一类求出平均系数。分类时，将需要分类得数据进行投影，得到系数，与先前计算出得每一类得平均系数进行比较，可判为最接近得一类。当然这只是最 简单得使用方法

#include <QtCore/QCoreApplication>
 #include "cv.h"
 #include "highgui.h"
 #include <iostream>
 #include <stdio.h>
 #include <string.h>
 
 using namespace std;
 
 int main(int argc, char *argv[])
 {
     QCoreApplication a(argc, argv);
     int start = 0;
     float arr[360000];
     for (int index = 1; index <= 10; index++) {
         char t[3];
         sprintf(t, "%d", index);
         string f(t);
         string fileName =  "test\\" + f + ".jpg";
 
         IplImage* pSrc = cvLoadImage( fileName.c_str(), 1);
         IplImage* pGray = cvCreateImage(cvGetSize(pSrc),8,1);
         cvCvtColor(pSrc, pGray, CV_RGB2GRAY);
         CvMat* mat = cvCreateMat(pGray->height, pGray->width, CV_32FC1);
         cvConvert(pGray, mat);
 
         cvReleaseImage( &pSrc ); //释放图像
         cvReleaseImage( &pGray ); //释放图像
 
         for (int i=0; i<mat->rows;i++) {
             for (int j=0; j<mat->cols;j++) {
                 float value = cvmGet(mat, i, j);
                 arr[start] = value;
                 start++;
             }
         }
     }
     CvMat data = cvMat(10, 36000, CV_32FC1, arr);
     CvMat* pMean = cvCreateMat(1, 36000, CV_32FC1);
     CvMat* pEigVals = cvCreateMat(1, 10, CV_32FC1);
     CvMat* pEigVecs = cvCreateMat(10, 36000, CV_32FC1);
 
     cvCalcPCA( &data, pMean, pEigVals, pEigVecs, CV_PCA_DATA_AS_ROW );
     for (int i = 0; i<10; i++) {
         cout << cvmGet(pEigVals, 0, i) << endl;
     }
 
     return a.exec();
 }
转自：

http://www.cnblogs.com/cvlabs/archive/2010/05/14/1735230.html

http://www.cnblogs.com/cvlabs/archive/2010/05/17/1737748.html