[人工智能]C++ 读入批量图片+HOG特征提取+PCA降维

主要分三个部分进行描述，代码运行无问题，个人遇到的细节问题在最后阐述

一、读取保存在CSV中所有图片名，并从路径中读取相应图片

1. 关于导入库

若使用Qt或者C++进行编写程序，主要在官网下载opencv和eigen库，注意tar结尾文件为Linux系统相应配置，windows系统下载zip
下载链接为
opencv官网
Eigen官网
关于这两个库的导入，见另一篇博客
库的简单导入操作

#include <iostream>
//涉及文件读取和字符串类型
#include <string>
#include <fstream>
#include <sstream>
//涉及eigen矩阵运算和向量运算，以及opencv矩阵类型
#include <Eigen/Dense>
#include <vector>
#include <opencv2/opencv.hpp>
//eigen中矩阵和cv中矩阵类型转换
#include <opencv2/core/eigen.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/objdetect/objdetect.hpp>

//导入命名空间，在写代码时不用加上cv::等繁琐代码
using namespace std;
using namespace Eigen;
using namespace cv;

2. 读取文件部分

vector<string> read_pos_csv(){
    ifstream p;  //读入文件流，并打开数据文件
    p.open("D:\\test\\true_data.csv");
    if (!p)
    {
        cout << "打开文件失败！" << endl;
        exit(1);
    }
    string line;
    vector<string> strArray;
    int i = 0;
    while (getline(p, line))//getline(p, line)表示按行读取CSV文件中的数据，每一行的结果保存在line中
    {
        stringstream sin(line); //这里stringstream是一个字符串流类型，用line来初始化变量sin
        string str;
        //按照逗号进行分割
        while(getline(sin,str,',')) //getline每次把按照逗号分割之后的每一个字符串都保存在str中
        {
            strArray.push_back(str); //这里将str保存在lineArray中
            i++;
        }

    }
    p.close();
    cout << "读取数据完成" << endl;

    return strArray;
}

二、HOG处理部分

1. HOG 基本原理

对于这些参数的取值
1.检测窗口window
长宽一般都取2的幂次，例如64*128

2. cell
一般取8*8，如果计算梯度的话，需要选取幅度和角度两部分，即需要8*8*2=128个值进行存储，做两个矩阵分别存储，梯度通过差分来实现，按照固有的9个bin（角度范围）画成直方图，表示成一个一维数组

注意： 8*8是实际图片中包含自己感兴趣特征的区域大小，可按照实际情况自定义
9个bin是无符号梯度，范围为0-180°，即0，20，40，60，80，100，120，140，160；
需要按照比例分配不同的幅度到不同的bins中去

3. block
为包含更多的灰度对比信息，需要对于cell进行分组，一个block可以大小16*16，包含4个cell，遍历整张图像，即滑动block进行处理
最终向量大小：
一个16*16的block，包含4个直方图，每个直方图9个bins，即九个向量，那么4个就对应4*9=36，一个36*1的一维向量

block的计算方法
以64*128为例，
水平为 (64-8)/8=7
垂直为 (128-8)/8=15
即最终为7*15=105
向量维数为105*36*1=3780维

4.归一化处理，得到的向量都计算一下，变成[0,1]范围内的，移除了尺度信息

2. HOG 代码解释

MatrixXd get_hog_feature()
{
  int pos_sample = 332; //正样本个数
  int neg_sample = 926; //负样本个数
  char adpos[2048],adneg[1024]; // set buff avoid overflow
  HOGDescriptor hog(Size(32,32),Size(16,16),Size(8,8),Size(8,8),9); //定义hog算子的基本参数
  int DescriptorDim; //HOG Dimension
  Mat samFeatureMat, samLabelMat;

  vector<string> pos_pic_name; //字符串数组，存储的图片名
  vector<string> neg_pic_name;

  pos_pic_name = read_pos_csv();
  neg_pic_name = read_neg_csv();

//get pos_sample feature
  for (int i = 1;i <= pos_sample ;i++)
 {
    string str2_pos = "D:\\test\\" + pos_pic_name[i-1] + ".bmp";
    char* str3_pos;
    strcpy(str3_pos, str2_pos.c_str());
    const char* img_path_pos = str3_pos;

    sprintf_s(adpos, img_path_pos, i);

    Mat src_pos = imread(adpos);
    vector<float> descriptors;//HOG descriptor
    hog.compute(src_pos,descriptors);
    if ( i == 1)
    {
        DescriptorDim = descriptors.size();
        samFeatureMat = Mat::zeros(pos_sample +neg_sample , DescriptorDim, CV_32FC1);
        samLabelMat = Mat::zeros(pos_sample +neg_sample , 1, CV_32FC1);
    }
    for(int j=0; j<DescriptorDim; j++)
    {
        samFeatureMat.at<float>(i-1,j) = descriptors[j];
        samLabelMat.at<float>(i-1,0) = 1;
    }
 }

  // cv::Mat -> eigen::Matrix
  int row = samFeatureMat.rows;
  int col = samFeatureMat.cols;

  MatrixXd samFeatureMatrix(row, col);
  cv2eigen(samFeatureMat, samFeatureMatrix);
  return samFeatureMatrix;
}

三、PCA降维部分

1. PCA的主要步骤如下：

1.获取数据
2.减去均值
3.计算协方差矩阵
4.计算协方差矩阵的特征矢量和特征值
5.选择特征值最大的K个特征值对应的特征向量作为主成分
6.用主成分矩阵乘以原始数据得到降维后的数据

2. PCA的代码如下：

// PCA 降维
Mat pca_1(MatrixXd samFeatureMatrix, int featureNum, int k){
    // using PCA to reduce the number of features
    // input	samFeatureMatrix: Hog features
    //          featureNum: feature dimension
    //			k: number of features needed
    // output	features: projections in column

    MatrixXd X = samFeatureMatrix; //copy

    // 去均值化
    RowVectorXd meanVecRow = X.colwise().mean();
    X.rowwise() -= meanVecRow;

    // 计算方差
    MatrixXd cov = X.transpose()*X / X.rows();
	
	// 计算投影矩阵
    EigenSolver<MatrixXd> solver(cov);
    MatrixXd eigenVecors = solver.eigenvectors().real();
    MatrixXd projection = eigenVecors.block(0, 0, featureNum, k);

    // eigen::Matrix -> cv::mat
    Mat projectionMat;
    eigen2cv(projection, projectionMat);

    return projectionMat;
}

四、主函数部分

注意变量类型的定义和返回值，PCA降维所得到的维度一般可以选择初始维度的一半，可以保证方差在95%，再根据实际情况做上下调整即可

维度从324维降为100维的调用情况

// test
int main(){
    MatrixXd descriptorValues;
    descriptorValues = get_hog_feature();
    pca_1(descriptorValues, 324, 100);
    return 0;
}

六、遇到的问题总结

1.读取图片的函数sprintf_s中的图片路径应为常量类型，所以由于多次循环导致的路径+图片改变了，需要另外定义常量，将路径赋值给它；
2.注意字符串数组的赋值操作，c_str()的使用；
3.调试的时候，在多个位置增加输出操作，帮助判断哪里有问题；
4.注意原理的理解以及已有库的直接调用，减少工作量；
5.调用不同库的时候的元素类型的转换，cv->eigen 以及 eigen->cv
7.开个专栏总结复习下C++的知识（getline的基本操作，面向对象，重载，封装等）

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖