c++ - OpenCV将PCA特征向量写入yaml文件，失去精度？

Question

我需要将一组训练图像的 OpenCV PCA 对象（特征值、特征向量）存储到持久存储中，以便稍后重新加载以进行测试。我正在使用 OpenCV 2.4 功能XML/YAML 文件存储将我的特征向量和特征值矩阵写入 yaml 文件。但是，当重新加载文件并将相同的输入图像投影到重新加载的 PCA 空间时，我没有得到 0 的投影之间的差异？我相信我以某种方式失去了精度，但似乎无法弄清楚为什么？我的代码基于@Link 在他的解决方案“ Saving pca object in opencv”中给出的答案

int numPrincipalComponents = db.size()-1;
Mat output1, output2;
PCA pca(matrix, global_mean_vec, CV_PCA_DATA_AS_ROW, numPrincipalComponents);

pca.project(matrix.row(0), output1); //Project first image into orig. PCA

Mat eigenvalues = pca.eigenvalues.clone();
Mat eigenvectors = pca.eigenvectors.clone(); 

//Write matrices to pca_happy.yml
FileStorage fs("./Train/FileStore/pca_happy.yml", FileStorage::WRITE);
fs << "Eigenvalues" << eigenvalues;
fs << "Eigenvector" << eigenvectors;
fs.release();

//Load matrices from pca_happy.yml
FileStorage fs1("./Train/FileStore/pca_happy.yml", FileStorage::READ);
Mat loadeigenvectors, loadeigenvalues;
fs1["Eigenvalues"] >> eigenvalues;
fs1["Eigenvector"] >> eigenvectors;
fs1.release();

PCA pca2;
pca2.mean = global_mean_vec;
pca2.eigenvalues = loadeigenvalues;
pca2.eigenvectors = loadeigenvectors;

pca2.project(matrix.row(0), output2);

Mat diff;
absdiff(output1, output2, diff);

cout<<sum(diff)[0]<<endl;

然而差异是 88.4 并且应该是 0，因为我正在投影完全相同的图像。我需要存储特征向量矩阵的每一行吗？任何建议都非常感谢！

Answer 1

您是否正确计算了平均向量？我只做了两个小的修改：（用我自己的matrix）

PCA pca(matrix, Mat(), CV_PCA_DATA_AS_ROW, numPrincipalComponents);//compute mean automatically
pca2.mean = pca.mean;

是diff零。

Answer 2

我在设置特征值、特征向量和均值或pca2时犯了一个非常愚蠢的错误！

PCA pca2;
pca2.mean = global_mean_vec;
pca2.eigenvalues = loadeigenvalues;
pca2.eigenvectors = loadeigenvectors;

应该：

PCA pca2;
pca2.mean = global_mean_vec.clone();
pca2.eigenvalues = loadeigenvalues.clone();
pca2.eigenvectors = loadeigenvectors.clone();

希望这也可以帮助其他人！

Answer 3

我想，PCA2 应该是：

Mat eigenvalues1,eigenvectors1;
FileStorage fs1("fileName.yml", FileStorage::READ);
//Mat loadeigenvectors, loadeigenvalues;
fs1["Eigenvalues"] >> eigenvalues1;
fs1["Eigenvector"] >> eigenvectors1;
fs1.release();

PCA pca2;
pca2.mean = pca.mean;
pca2.eigenvalues = eigenvalues1;
pca2.eigenvectors = eigenvectors1;