単純なEigenFacesの分類コードR

Question

私はちょうど初心者のRコーダーであり、画像を分類するためにPCAと固有画像技術の使用に触発されています。しかし、ほとんどの例はPythonのように見えますが、私はRで開発を続けたいと考えています。

ケンブリッジのグレースケール顔画像を400サンプルx10304カラムImageDataにロードしました。各カラムは、112x92のグレースケールピクセル値。 pixmapRGBを使って各画像をプロットすることができます。OK。

私はEigenvaluesを抽出したと信じていますが、50個のEigenFacesから最初のイメージを再構成すると、それはまだ遠く離れています。

だから私は、私は私の画像処理手段だと思っていないと、適切に正しくスケール、または正しく（私はcolmeans平均画像ととせずに試みたが、FALSEセンター=なしprcompいる。

だから私は本当に探しています一部の端部がRに固有顔を分類的コードを終了するため

cmeans = colMeans(TrainImages) 
DisplayImage(cmeans, main = "Average Person") 
ProcTrainData = TrainImages # - cmeans 

# Now PCA Analysis - Adjusted Tolerance to 0.125 to return ~50 PCs 
PCAProcess = prcomp(ProcTrainData, center = TRUE, tol = 0.125) 

# Analyse PCA results Results 
par(mfrow = c(1, 2)) 
screeplot(PCAProcess) 
devs = PCAProcess$sdev^2/sum(PCAProcess$sdev^2) 
plot(1 - devs, main = "Percent Variance Explained", type = "l") 

EigenFaces = PCAProcess$rotation 

# Project Training Data into PCA Eignevalue space 
TrainPCAValues = ProcTrainData %*% EigenFaces 

# Plot first ten EigenFaces 
par(mfrow = c(2, 5)) 
par(oma = rep(2, 4), mar = c(0, 0, 3, 0)) 

for (i in 1:10) { 
    DisplayImage(EigenFaces[, i], main = paste0("EF ", i)) #PCs from sample data 
} 
# ======== Recover the first Image by the use of PCA attributes and Eigen 
# Images 
Composite[1:ImageSize] = 0 # PCAProcess$center; 
for (iv in 1:50) { 
    Composite = Composite + TrainPCAValues[1, iv] * EigenFaces[, iv] 
} 

DisplayImage(Composite) 
DisplayImage(TrainImages[1, ]) 
DisplayImage(PCAProcess$center) 

固有の

オリジナル第1サンプル 対複合生成顔

Answer 1

ちょっと進歩しました。様々なEigneFacesのチュートリアルや論文に比べてまだ特に良くない

enter code here# Adjusted Tolerance to 0.05 to return ~50 PCs 
PCAProcess = prcomp(TrainImages,center = TRUE,scale. = TRUE ,tol=0.05) 
# 
# Analyse PCA results Results 
summary(PCAProcess) 
par(mfrow=c(1, 2)) 
screeplot(PCAProcess) 
devs = PCAProcess$sdev^2/sum(PCAProcess$sdev^2) 
plot(1-devs, main='Percent Variance Explained', type='l') 
# 
# The PCA Process will have reduced the Original Image Dimension 96x96 = 9216 down to ~50 
# The Rotated Data into ~50 dimension is in PCAProcess$x arrays (
# The Eigen Rotatations of the original dimensionare captued in  PCAProcess$rotation 
# 
# Looks like we can get away with use of 25 PCs to get about 95% or varience 
EigenFaces = PCAProcess$rotation[,1:25]; 
# Plot first ten EigenFaces 
par(mfrow=c(2, 5)) 
par(oma = rep(2, 4), mar=c(0, 0, 3, 0)) 
for (i in 1:10){ 
    im <- matrix(data=rev(EigenFaces[,i]), nrow=96, ncol=96) 
image(1:96, 1:96, im, col=gray((0:255)/255)) 
} 
# 
# Training Reconstruction Matrix *just first 25 attributes in PCA space 
ReconstructTraining = PCAProcess$x[,1:25]%*%t(EigenFaces) 
# 
# Need to unscale and uncentre back using the prcomp computed scale and centre 
# 
if(PCAProcess$scale != FALSE){ 
ReconstructTraining <- scale(ReconstructTraining, center = FALSE ,scale=1/PCAProcess$scale) 
} 
if(all(PCAProcess$center != FALSE)){ 
    ReconstructTraining <- scale(ReconstructTraining, center = -1 * PCAProcess$center, scale=FALSE) 
} 
# ============================ 
#Recover the first Image by the use of PCA attributes and Eigen Images 
# 
par(mfrow=c(1, 2)) 
# Original Image 2 
im <- matrix(data=rev(im.train[2,]), nrow=96, ncol=96) 
image(1:96, 1:96, im, col=gray((0:255)/255)) 

RestoredImage <- matrix(data=rev(ReconstructTraining[2,]), nrow=96, ncol=96) 
image(1:96, 1:96, RestoredImage, col=gray((0:255)/255)) 

： は基本的に私はprcomp呼び出しの前を意味し、代わりにスケールと、中心を計算するためにprcompを使う計算無視することにしました。だから25 EigenFacesの使用Original vs reconstructed

Python Sklearn EigenFacesは、Rを使うよりもはるかに優れているようです。そこで、私は機械学習のためにPythonを使用することにしました。