一、简介
PCA算法是基于图像重构的方法进行图像特征识别的。内有训练样本、多个测试图片以及文档说明。

识别步骤：

① 选择训练样本

② 计算样本平均数字特征，数字特征空间

③ 读取待识别数字，进行连通分量分割，确定需要识别数字个数

④ 通过判别式进行分类
二、源代码
clear all
clc
close all

% 选择训练数据、测试数据路径（即目录TrainData和TestData）
TrainDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[训练数据]路径' );
TestDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[测试数据]路径');

prompt = {'输入测试图像名字(1、2):'};
dlg_title = 'PCA识别输入';
num_lines= 1;
def = {'1'};

TestImage  = inputdlg(prompt,dlg_title,num_lines,def);
TestImage = strcat(TestDatabasePath,'\',char(TestImage),'.jpg');
im = imread(TestImage);

T = CreateDatabase(TrainDatabasePath);%创建测试数据库
[m, A, EigenPos] = PCA(T);
OutputName = Recognition(TestImage, m, A, EigenPos);%识别输出匹配图像

SelectedImage = strcat(TrainDatabasePath,'\',OutputName);
SelectedImage = imread(SelectedImage);

imshow(im)
title('测试图像');
figure,imshow(SelectedImage);
title('等价图像');
unction OutputName = Recognition(TestImage, m, A, EigenPos)
% 识别操作:比较两图像，通过将图像映射到特征空间，并测量两者间的欧式距离
% 参数:TestImage 输入测试图像路径
%       m   (M*Nx1) 训练数据库的均值
%      EigenPos   (M*Nx(P-1)) 训练数据的协方差矩阵特征向量
%       A     (M*NxP) 居中的图像向量矩阵 
% 返回：OutputName  训练数据库中被识别出来的图像名字            

% 所有居中的图像通过乘以Eigenfaces来进行映射，每一副图的映射向量将是对应的特征向量
ProjectedImages = [];
Train_Number = size(EigenPos,2);
for i = 1 : Train_Number
    temp = EigenPos'*A(:,i); %居中的图像映射
    ProjectedImages = [ProjectedImages temp]; 
end

% 从测试图像中提取出PCA特征
InputImage = imread(TestImage);
temp = InputImage(:,:,1);

[irow icol] = size(temp);
Difference = double(InImage)-m; % 居中的测试图像
ProjectedTestImage = EigenPos'*Difference; % 测试图像特征向量

% 计算被映射的测试图像与所有居中的训练图像投影之间的欧式距离
% 设定测度图像与训练数据库中相应图像有最小距离
Euc_dist = [];
for i = 1 : Train_Number
    q = ProjectedImages(:,i);
    temp = ( norm( ProjectedTestImage - q ) )^2;
    Euc_dist = [Euc_dist temp];
end

三、运行结果

四、备注
完整代码或者代写添加QQ 1564658423

一、简介

PCA算法是基于图像重构的方法进行图像特征识别的。内有训练样本、多个测试图片以及文档说明。

识别步骤：

① 选择训练样本

② 计算样本平均数字特征，数字特征空间

③ 读取待识别数字，进行连通分量分割，确定需要识别数字个数

④ 通过判别式进行分类

二、源代码

clear all
clc
close all

% 选择训练数据、测试数据路径（即目录TrainData和TestData）
TrainDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[训练数据]路径' );
TestDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[测试数据]路径');

prompt = {'输入测试图像名字(1、2):'};
dlg_title = 'PCA识别输入';
num_lines= 1;
def = {'1'};

TestImage  = inputdlg(prompt,dlg_title,num_lines,def);
TestImage = strcat(TestDatabasePath,'\',char(TestImage),'.jpg');
im = imread(TestImage);

T = CreateDatabase(TrainDatabasePath);%创建测试数据库
[m, A, EigenPos] = PCA(T);
OutputName = Recognition(TestImage, m, A, EigenPos);%识别输出匹配图像

SelectedImage = strcat(TrainDatabasePath,'\',OutputName);
SelectedImage = imread(SelectedImage);

imshow(im)
title('测试图像');
figure,imshow(SelectedImage);
title('等价图像');
unction OutputName = Recognition(TestImage, m, A, EigenPos)
% 识别操作:比较两图像，通过将图像映射到特征空间，并测量两者间的欧式距离
% 参数:TestImage 输入测试图像路径
%       m   (M*Nx1) 训练数据库的均值
%      EigenPos   (M*Nx(P-1)) 训练数据的协方差矩阵特征向量
%       A     (M*NxP) 居中的图像向量矩阵 
% 返回：OutputName  训练数据库中被识别出来的图像名字            

% 所有居中的图像通过乘以Eigenfaces来进行映射，每一副图的映射向量将是对应的特征向量
ProjectedImages = [];
Train_Number = size(EigenPos,2);
for i = 1 : Train_Number
    temp = EigenPos'*A(:,i); %居中的图像映射
    ProjectedImages = [ProjectedImages temp]; 
end

% 从测试图像中提取出PCA特征
InputImage = imread(TestImage);
temp = InputImage(:,:,1);

[irow icol] = size(temp);
Difference = double(InImage)-m; % 居中的测试图像
ProjectedTestImage = EigenPos'*Difference; % 测试图像特征向量

% 计算被映射的测试图像与所有居中的训练图像投影之间的欧式距离
% 设定测度图像与训练数据库中相应图像有最小距离
Euc_dist = [];
for i = 1 : Train_Number
    q = ProjectedImages(:,i);
    temp = ( norm( ProjectedTestImage - q ) )^2;
    Euc_dist = [Euc_dist temp];
end


三、运行结果



四、备注

完整代码或者代写添加QQ1575304183

往期回顾>>>>>>

【图像识别】国外车牌识别matlab源码

【图像识别】基于cnn卷积神经网络之验证码识别matlab源码

【图像识别】基于svm植物叶子疾病检测和分类matlab源码​​​​​​​

【图像识别】路面裂缝识别含GUI源码matlab源码​​​​​​​

【图像识别】基于RGB和BP神经网络的人民币识别系统含GUI界面matlab源码​​​​​​​

【图像识别】条形码识别系统matlab源码​​​​​​​

【图像识别】基于不变矩的数字验证码识别含GUI界面matlab源码​​​​​​​

【图像识别】基于模板匹配之手写数字识别系统GUI界面matlab源码​​​​​​​

【图像识别】基于贝叶斯分类器之目标识别matlab源码

【图像识别】身份证号码识别matlab源码

【图像识别】条形码识别系统matlab源码​​​​​​​

【图像分类】基于极限学习分类器对遥感图像分类matlab源码​​​​​​​

【图像识别】基于BP神经网络之字母识别matlab源码

【图像特征处理】指纹图像细节特征提取matlab源码

【图像识别】基于反馈神经Hopfield的数字识别matlab源码

【图像识别】基于二值膨胀差分和椒盐滤波之教室内人数识别系统matlab源码

【图像识别】火灾检测matlab源码GUI

【模式识别】基于 Hough变换视频车道线检测matlab源码​​​​​​​

【模式识别】基于matlab Hough变换图片车道线检测

【模式识别】基于差影法之三维人体姿态行为识别matlab源码

【模式识别】指针式表盘识别matlab源码

【图像识别】表情检测matlab源码

【图像检测】基于LSD直线检测matlab源码

【图像识别】基于帧差法跌倒检测matlab源码

【图像融合】红外与可见光的融合与配准算法matlab源码

【图像识别】基于组合BCOSFIRE过滤器进行墙体裂缝识别matlab源码

【图像边缘检测】基于插值法亚像素边缘检测matlab源码

【模式识别】基于贝叶斯最小错误率手写数字识别matlab 源码

一、简介
PCA算法是基于图像重构的方法进行图像特征识别的。内有训练样本、多个测试图片以及文档说明。

识别步骤：

① 选择训练样本

② 计算样本平均数字特征，数字特征空间

③ 读取待识别数字，进行连通分量分割，确定需要识别数字个数

④ 通过判别式进行分类
二、源代码
clear all
clc
close all

% 选择训练数据、测试数据路径（即目录TrainData和TestData）
TrainDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[训练数据]路径' );
TestDatabasePath = uigetdir('D:\Program Files\MATLAB\R2007b\work', '选择[测试数据]路径');

prompt = {'输入测试图像名字(1、2):'};
dlg_title = 'PCA识别输入';
num_lines= 1;
def = {'1'};

TestImage  = inputdlg(prompt,dlg_title,num_lines,def);
TestImage = strcat(TestDatabasePath,'\',char(TestImage),'.jpg');
im = imread(TestImage);

T = CreateDatabase(TrainDatabasePath);%创建测试数据库
[m, A, EigenPos] = PCA(T);
OutputName = Recognition(TestImage, m, A, EigenPos);%识别输出匹配图像

SelectedImage = strcat(TrainDatabasePath,'\',OutputName);
SelectedImage = imread(SelectedImage);

imshow(im)
title('测试图像');
figure,imshow(SelectedImage);
title('等价图像');
unction OutputName = Recognition(TestImage, m, A, EigenPos)
% 识别操作:比较两图像，通过将图像映射到特征空间，并测量两者间的欧式距离
% 参数:TestImage 输入测试图像路径
%       m   (M*Nx1) 训练数据库的均值
%      EigenPos   (M*Nx(P-1)) 训练数据的协方差矩阵特征向量
%       A     (M*NxP) 居中的图像向量矩阵 
% 返回：OutputName  训练数据库中被识别出来的图像名字            

% 所有居中的图像通过乘以Eigenfaces来进行映射，每一副图的映射向量将是对应的特征向量
ProjectedImages = [];
Train_Number = size(EigenPos,2);
for i = 1 : Train_Number
    temp = EigenPos'*A(:,i); %居中的图像映射
    ProjectedImages = [ProjectedImages temp]; 
end

% 从测试图像中提取出PCA特征
InputImage = imread(TestImage);
temp = InputImage(:,:,1);

[irow icol] = size(temp);
Difference = double(InImage)-m; % 居中的测试图像
ProjectedTestImage = EigenPos'*Difference; % 测试图像特征向量

% 计算被映射的测试图像与所有居中的训练图像投影之间的欧式距离
% 设定测度图像与训练数据库中相应图像有最小距离
Euc_dist = [];
for i = 1 : Train_Number
    q = ProjectedImages(:,i);
    temp = ( norm( ProjectedTestImage - q ) )^2;
    Euc_dist = [Euc_dist temp];
end

三、运行结果

四、备注
完整代码或者代写添加QQ912100926

往期回顾>>>>>>

【图像压缩】图像处理教程系列之图像压缩【Matlab 074期】

【图像分割】图像处理教程系列之图像分割（一）【Matlab 075期】

【图像分割】图像处理教程系列之图像分割（二）【Matlab 076期】

【模式识别】银行卡号之识别【Matlab 077期】

【模式识别】指纹识别【Matlab 078期】

【图像处理】基于GUI界面之DWT+DCT+PBFO改进图像水印隐藏提取【Matlab 079期】

【图像融合】CBF算法之图像融合【Matlab 080期】

【图像去噪】自适应形态学之图像去噪【Matlab 081期】

【图像增强】DEHAZENET和HWD之水下去散射图像增强【Matlab 082期】

【图像增强】PSO寻优ACE之图像增强【Matlab 083期】

【图像重建】ASTRA算法之图像重建【Matlab 084期】

【图像分割】四叉树之图像分割【Matlab 085期】

【图像分割】心脏中心线之提取【Matlab 086期】

【图像识别】SVM植物叶子之疾病检测和分类【Matlab 087期】

【图像识别】基于GUI界面之模板匹配手写数字识别系统【Matlab 088期】

【图像识别】基于GUI界面之不变矩的数字验证码识别【Matlab 089期】

【图像识别】条形码识别系统【Matlab 090期】

【图像识别】基于GUI界面RGB和BP神经网络之人民币识别系统【Matlab 091期】

【图像识别】CNN卷积神经网络之验证码识别【Matlab 092期】

【图像分类】极限学习分类器之对遥感图像分类【Matlab 093期】

【图像变换】DIBR-3D之图像变换【Matalb 094期】

【图像分割】模糊聚类算法之FCM图像分割【Matlab 095期】

【模式识别】银行监控系统之人脸识别【Matlab 096期】

【模式识别】基于GUI界面之疲劳检测系统【Matlab 097期】

【图像识别】国外车牌识别【Matlab 098期】

【图像分割】最大类间方差法(otsu)之图像分割【Matlab 099期】

【图像分割】直觉模糊C均值聚类之图像分割IFCM【Matlab 100期】

【图像分割】基于matlab形态学重建和过滤改进FCM算法（FRFCM）之图像分割【Matlab 101期】

【图像增强】局部对比度增强CLAHE算法之直方图增强【Matlab 102期】

【图像融合】Frequency Partition之图像融合【Matlab 103期】

【图像评价】SVM之图像无参考质量评价【Matlab 104期】

【图像边缘检测】最小二乘法用于椭圆边缘检测【Matlab 105期】

【图像加密】基于GUI界面之混沌系统图像加密解密【Matlab 106期】

【图像配准】SIFT算法之图像配准【Matlab 107期】

【图像分割】随机游走算法用于图像分割【Matlab 108期】

【图像分割】形态学重建和过滤改进FCM算法（FRFCM）用于图像分割【Matlab 109期】

【图像分割】图像分割IFCM之直觉模糊C均值聚类【Matlab 110期】

【图像增强】区域相似变换函数与蜻蜓算法之灰度图像增强【Matlab 111期】

【图像直线拟合】最小二乘法之图像直线拟合【Matlab 112期】

【图像去雾】暗通道之图像去雾【Matlab 113期】

【图像识别】基于matlab GUI界面之路面裂缝识别【Matlab 114期】

【图像识别】身份证号码之识别【Matlab 115期】

【图像聚类】FCM和改进之FCM脑部CT图像聚类【Matlab 116期】

【图像评价】CCF算法之图像质量评价【Matlab 117期】

【图像分割】蚁群优化模糊聚类之图像分割【Matlab 118期】

【模式识别】基于GUI界面之水果检测系统【Matlab 119期】

【模式识别】基于GUI界面之水果分类系统【Matlab 120期】

【模式识别】基于GUI界面之水果分级系统【Matlab 121期】

【模式识别】人脸识别之检测脸、眼、鼻子和嘴【Matlab 122期】

【图像处理】基于 GUI界面之图像加解密【Matlab 124期】

【模式识别】基于GUI界面BP网络之手写体大写字母识别【Matlab 125期】

【图像分割】基于GUI界面之医学影像分割【Matlab 126期】

【图频处理】基于GUI界面之环图像处理与音乐播放系统【Matlab 127期】

【图像隐藏】基于Laguerre 变换之图像隐藏【Matlab 128期】

【图像处理】基于dwt函数之实现二维小波变换【Matlab 129期】

【图像处理】分形插值算法之调换图片【Matlab 130期】

【图像边缘检测】基于GUI界面之图像边缘检测系统【Matlab 131期】

【图像分割】基于GUI界面之彩色图像分割【Matlab 132期】

【图像去噪】基于GUI界面之图像滤波去噪【Matlab 133期】

【图像几何运算】基于GUI界面之图像几何运算系统【Matlab 134期】

【图像处理】基于GUI界面之图像处理系统【Matlab 135期】

【图像识别】基于matlab之细胞识别和边缘检测【Matlab 136期】

【模式识别】反馈神经Hopfield的数字识别【Matlab 172期】

【模式识别】指纹图像细节特征提取 【Matlab 173期】

【图像分割】RGB HSV YCbCr Lab颜色空间人脸检测之图像分割【Matlab 174期】

【图像压缩】小波变换之图像压缩【Matlab 175期】

【模式识别】基于GUI界面的火灾检测【Matlab 230期】

【模式识别】基于Hough变换的答题卡识别【Matlab 231期】

【模式识别】二值膨胀差分和椒盐滤波之教室内人数识别系统【Matlab 232期】

【小波变换】基于GUI界面DWT与SVD算法的数字水印 【Matlab 233期】

【模式识别】基于GUI界面的指针式表盘识别【Matlab 234期】

【模式识别】基于Hough变换图片车道线检测 【Matlab 235期】

【图像分割】粒子群优化T熵图像分割【Matlab 236期】

【图像分割】粒子群优化指数熵图像分割【Matlab 237期】

【图像分割】粒子群优化指数熵图像分割【Matlab 238期】

【模式识别】基于GUI贝叶斯最小错误率手写数字识别【Matlab 239期】

系列博客是博主学习神经网络中相关的笔记和一些个人理解，仅为作者记录笔记之用，不免有很多细节不对之处。代码见github
MNIST数据
MNIST 数据集作为入门数据集, 很多教程都有所介绍。我们这里利用的数据是从neural networks and deep learning教程获得到。我们将⽤按照该教程相同的数据分割方法，将60,000个图像的 MNIST 训练集分成两个部分：⼀部分包含50,000个图像的训练集（train_data），⽤来训练我们的神经⽹络，标签为1X10的向量（用argmax函数可以获得对应数字，matlab中需减去1），和⼀个单独的10,000个图像的验证集（validation_data），它的标签是一个标量数字。另外的10000个验证数据（test_data）暂时未使用。适合于Matlab使用的mat格式的数据可以在这里下载到（没有积分的朋友可私信我）。
试验
本节程序可以在这里下载到。
第三节实现的程序稍加修改就可以直接应用到MNIST手写字的识别上，隐层我们使用ReLU激活函数，输出层利用sigmoid函数。下面是网络结构为 [784 30 10]，学习速率为2，子数据集大小为100时的训练结果：

我们可以看到在训练到5000次时，识别率达到95.96%。后面我们会反复对这个数据进行试验，进一步提高识别精度。下面是网络结构为 [784 30 30 10]的训练结果