好啦，下面進入正題：
首先在降維之前我提取的vlad特徵是60*64維的，即3840維，我的庫有5063張，所以降維前我的庫的vlad特徵是5063*3840，我們給他取個名，叫vlad_all，是5063行，3840列哦，行和列不要弄混了，我想把3840維的特徵降為128維，也就是減少30倍，
最終使我的庫特徵變為5063*128，好啦，看**：
pca pca(before_pca, mat(), cv_pca_data_as_row, 128);
before_pca存的就是我降維之前的庫特徵，就是那個5063*3840，這裡不用轉置直接帶入就好，經過這一句之後，降維之後的特徵向量是128*3840的（是128行，3840列，後面我都是嚴格按照行列的順序寫的，就不再贅述啦）
即mat eigenvectors = pca.eigenvectors.clone();
eigenvectors裡面存的就是那個128*3840的特徵向量，注意這個矩陣不是降維後的結果奧，它只是中間產生的乙個特徵向量矩陣，這個矩陣很重要，詳細了解請參考上面的「pca的數學原理」，
好啦，下面開始最重要的：
mat vlad_all_pca = eigenvectors*vlad_all.t();
注意這裡用的是vlad_all的轉置哦，否則矩陣相乘的行和列對應不起來會中斷，下面來分析這一行最重要的**：
eigenvectors是128*3840的特徵向量，vlad_all.t()是3840*5063的庫vlad特徵的轉置，這樣就正好可以對應起來了，eigenvectors是3840列，vlad_all.t()是3840行，正好可以對應相乘，，好啦，同學們猜猜看相乘的結果vlad_all_pca存的資料行和列分別是多少，
沒錯，這個vlad_all_pca就是128*5063（視情況進行轉置，我就在轉置這一塊吃過虧），現在我們把他作為庫的新vlad特徵，這個才是講過pca降維之後的真正的庫特徵。是不是比之前的5063*3840少了好多，原本的5063*3840xml檔案是327m，
降維後vlad_all_pca的xml檔案是10.9m，對，小了30倍，也就是說速度提高30倍（當然這個說法很粗魯實際上會有很多別的時間開銷）。
//****************************原圖，讀路徑，讀xml檔案路徑三個地方都需要改,還有 pictures_num****************************
#include #include #include #include #include #include #include #include #include #include #include #include #include #include #include #include #include #include using namespace boost::filesystem;
using namespace std;
using namespace cv;
//#pragma comment( lib, "opencv_highgui249d.lib")
//#pragma comment( lib, "opencv_core49d.lib")
//全域性變數們
#define numclusters 60 //聚類中心數，如果呼叫extract_vlad_features函式，在surf下numclusters不大於64，在sift情況下numclusters應該是不大於128
mat descriptor_all(0, 64, cv_32fc1);
mat vlad_all(0, 64 * numclusters, cv_32fc1);//儲存庫總體的vlad特徵，
mat centers(numclusters, 64, cv_32fc1);//其實這裡的centers不定義大小也可以，聚類結束後centers裡面自動儲存聚類結果 centers(numclusters, 128, cv_32fc1);
mat labels(0, numclusters, cv_32fc1);
mat extract_vlad_features(mat &descriptors, mat ¢ers, float alpha = 1);
float computesimilarity(mat vlad_feat_query, mat vlad_feat_train);
void extractor_alldescriptors(path&basepath);
void extractor_allvlad(char filepath[150], int n_picture);// 讀取 n_picture 張
第一張是降維之前的識別結果，後兩張是降維之後的識別結果，可以看到特徵從3840維降到128維之後識別效果好像還是挺好的，細心的同學可以看到我的資料，降維前的識別速度大概是9.8s，降維後1.3s，當然這還包括讀檔案什麼的，很多環節都可以優化的哦。
只是覺得他提取的特徵向量的行列和我的有出入，可能是我沒理解透徹吧，童鞋們怕被繞就別看他的了.
想細細研究影象檢索可以看這篇碩士**，寫的很不錯：基於gmm_vlad的影象檢索_陳曼玉
**：
PCA降維演算法
文章由兩部分構成，第一部分主要講解pca演算法的步驟，第二部分講解pca演算法的原理。那麼首先進入第一部分 pca演算法的步驟 樣本矩陣x的構成 假設待觀察變數有m個，其實相當於乙個資料在m維各維度上的座標，我們的目標是在保證比較資料之間相似性不失真的前提下，將描述資料的維度盡量減小至l維 l樣本矩...
PCA降維原理
在之前的介紹中，一幅影象只能表示乙個物件。那麼對於w x h的灰度影象，只能表示為w x h位的向量，那麼乙個有100 100的影象就需要10000維的向量空間。對於一幅人臉而言，是否所有維的資料都是有用的呢？在矩陣論當中我們知道，矩陣可以近似的表示為乙個特徵值與特徵向量的乘積。根據這個原理，如果我...
資料降維 PCA
模型原型 class sklearn.decomposition.pca n components none,copy true,whiten false 引數 copy 如果為false，則直接使用原始資料來訓練，結果會覆蓋原始資料所在的陣列 whiten 如果為true，則會將特徵向量除以n s...