// 加载必要的头文件
#include <iostream> // 用于标准输入输出流
#include <fstream> // 用于文件的输入输出
#include <sstream> // 用于字符串的输入输出流操作
#include <opencv2/core.hpp> // OpenCV核心功能的头文件
#include "opencv2/imgcodecs.hpp" // OpenCV图像编解码功能的头文件
#include <opencv2/highgui.hpp> // OpenCV的高级GUI（图形用户界面）
// 使用标准命名空间和OpenCV命名空间，避免重复声明
using namespace cv;
using namespace std;
///
// 函数声明部分
// read_imgList函数用于从文本文件中读取图像路径并加载这些图像
static void read_imgList(const string& filename, vector<Mat>& images) {
std::ifstream file(filename.c_str(), ifstream::in); // 打开文件
if (!file) {
string error_message = "No valid input file was given, please check the given filename."; // 错误消息
CV_Error(Error::StsBadArg, error_message); // 如果文件打开失败，给出错误信息并退出程序
}
string line; // 存储读取的每行文字
while (getline(file, line)) {
images.push_back(imread(line, IMREAD_GRAYSCALE)); // 将每行读取到的图像路径用于加载图像，并转换为灰度图像
}
}
// formatImagesForPCA函数用于将图像数据格式化为一个适合PCA处理的矩阵
static Mat formatImagesForPCA(const vector<Mat> &data)
{
// 创建一个用于PCA处理的矩阵，将所有图像行向量垂直堆叠
Mat dst(static_cast<int>(data.size()), data[0].rows*data[0].cols, CV_32F);
for(unsigned int i = 0; i < data.size(); i++) // 遍历所有图像
{
Mat image_row = data[i].clone().reshape(1,1); // 将每张图像转换为行向量
Mat row_i = dst.row(i); // 获取目标矩阵的当前行
image_row.convertTo(row_i,CV_32F); // 将图像数据转换为浮点型，并填入目标矩阵的相应行
}
return dst; // 返回格式化后的矩阵
}
// toGrayscale函数用于将输入图像转换为灰度图像，并进行归一化处理
static Mat toGrayscale(InputArray _src) {
Mat src = _src.getMat(); // 获取输入数据的Mat对象
// 检查是否是单通道图像
if(src.channels() != 1) {
CV_Error(Error::StsBadArg, "Only Matrices with one channel are supported"); // 如果不是，抛出异常
}
// 创建一个目标Mat对象，并对输入图像进行归一化处理
Mat dst;
cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);
return dst; // 返回处理后的图像
}
// 定义一个结构体用于传递给滑动条回调函数的参数
struct params
{
Mat data; // 存放数据的Mat矩阵
int ch; // 图像的通道数
int rows; // 图像行数
PCA pca; // PCA对象
string winName; // 窗口名称
};
// onTrackbar滑动条回调函数，用于根据Retained Variance(保留方差)的变化更新PCA结果并显示
static void onTrackbar(int pos, void* ptr)
{
cout << "Retained Variance = " << pos << "% ";
cout << "re-calculating PCA..." << std::flush; // 提示正在重新计算PCA
double var = pos / 100.0; // 将滑动条的整型位置值转换为[0,1]之间的百分比表示的保留方差
struct params *p = (struct params *)ptr; // 从回调函数的指针参数中提取出params结构体
// 使用新的保留方差重新计算PCA
p->pca = PCA(p->data, cv::Mat(), PCA::DATA_AS_ROW, var);
// 将原始数据的第一行（第一幅图像）投影到PCA空间，并获取其点representation
Mat point = p->pca.project(p->data.row(0));
// 然后利用该点representation重构图像
Mat reconstruction = p->pca.backProject(point);
reconstruction = reconstruction.reshape(p->ch, p->rows); // 重构的图像需要重新改变其形状
reconstruction = toGrayscale(reconstruction); // 转换为灰度图便于显示
// 在窗口中显示重构的图像
imshow(p->winName, reconstruction);
// 打印PCA使用的主成分数量
cout << "done! # of principal components: " << p->pca.eigenvectors.rows << endl;
}
///
// 主程序
int main(int argc, char** argv)
{
// 解析命令行参数
cv::CommandLineParser parser(argc, argv, "{@input||image list}{help h||show help message}");
// 如果存在"help"参数，则打印帮助消息
if (parser.has("help"))
{
parser.printMessage();
exit(0);
}
// 获取CSV文件的路径
string imgList = parser.get<string>("@input");
// 如果未传入图片列表，则打印消息并退出程序
if (imgList.empty())
{
parser.printMessage();
exit(1);
}
// 创建一个向量来存储图像
vector<Mat> images;
// 读取数据，如果失败则会抛出异常
try {
read_imgList(imgList, images);
} catch (const cv::Exception& e) {
cerr << "Error opening file \"" << imgList << "\". Reason: " << e.msg << endl;
exit(1);
}
// 如果图片不足以进行此演示，则退出程序
if(images.size() <= 1) {
string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";
CV_Error(Error::StsError, error_message);
}
// 将图像重排并堆叠成一个行矩阵
Mat data = formatImagesForPCA(images);
// 执行PCA
// 这里trackbar初始设置为95%，这也是一个常见的保留方差值
PCA pca(data, cv::Mat(), PCA::DATA_AS_ROW, 0.95);
// 展示保留方差对第一张图片效果的演示
Mat point = pca.project(data.row(0)); // 将图像投影到特征空间，图像变成了一个“点”
Mat reconstruction = pca.backProject(point); // 从“点”中重建图像
reconstruction = reconstruction.reshape(images[0].channels(), images[0].rows); // 重新将行向量变形为图像形状
reconstruction = toGrayscale(reconstruction); // 重新缩放以便于显示
// 初始化高层GUI窗口
string winName = "Reconstruction | press 'q' to quit";
namedWindow(winName, WINDOW_NORMAL);
// 创建一个结构体以传递给trackbar处理函数
params p;
p.data = data;
p.ch = images[0].channels();
p.rows = images[0].rows;
p.pca = pca;
p.winName = winName;
// 创建trackbar
int pos = 95;
createTrackbar("Retained Variance (%)", winName, &pos, 100, onTrackbar, (void*)&p);
// 显示直到用户按下'q'键
imshow(winName, reconstruction);
char key = 0;
while(key != 'q')
key = (char)waitKey();
return 0;
}代码的主要功能是，通过用户输入一个包含图像全路径的文本文件，该文件的每一行都代表一张图片的路径。程序将会使用主成分分析(PCA)技术对这些图像进行处理，并通过OpenCV库完成。这一处理过程可以通过一个trackbar（滑动条）来动态调整保留方差的百分比，从而展现不同保留方差下图像重建的效果。程序界面会持续显示直到用户按下'q'键退出。这个代码示例建议使用AT&T人脸数据库的前15个人脸图片来演示。
// Reshape and stack images into a rowMatrix
Mat data = formatImagesForPCA(images);
// perform PCA
PCA pca(data, cv::Mat(), PCA::DATA_AS_ROW, 0.95); // trackbar is initially set here, also this is a common value for retainedVariance
// Demonstration of the effect of retainedVariance on the first image
Mat point = pca.project(data.row(0)); // project into the eigenspace, thus the image becomes a "point"
Mat reconstruction = pca.backProject(point); // re-create the image from the "point"
reconstruction = reconstruction.reshape(images[0].channels(), images[0].rows); // reshape from a row vector into image shape
reconstruction = toGrayscale(reconstruction); // re-scale for displaying purposes
imageslist.txt
https://www.kaggle.com/datasets/kasikrit/att-database-of-faces?resource=download 数据下载地址
