【正文】 %在figure 5 中左右顯示兩個(gè)圖像 imshow(InputImage)。 colormap(39。gray39。)。title(39。Input image39。,39。fontsize39。,18) %顯示輸入的圖像,附標(biāo)題39。Input image39。 InImage=reshape(double(InputImage)39。,irow*icol,1)。 %將輸入的圖像重構(gòu)成序列 賦給InImage temp=InImage。 %將InImage賦給temp me=mean(temp)。 %取temp的均值,賦給me st=std(temp)。 %取temp的標(biāo)準(zhǔn)偏移,賦給st temp=(tempme)*ustd/st+um。 %由次表達(dá)式處理temp NormImage=temp。 %將temp賦給NormImage Difference=tempm。 %temp與m的差為Difference NormImage=Difference。 %將Difference賦給NormImage p = []。 %建立一個(gè)空矩陣p aa=size(u,2)。 %由u的緯度得到aa的值 for i = 1:aa %aa次循環(huán) pare = dot(NormImage,u(:,i))。 %由NormImage,u的i列構(gòu)造矢量點(diǎn)pare p = [p。 pare]。 %將pare用于構(gòu)造p矩陣 end ReshapedImage = m + u(:,1:aa)*p。 %m is the mean image, u is the eigenvector m為均值圖像,u是特征矢量,取u矩陣的1到aa列與p矩陣相乘,再與m相加 ReshapedImage = reshape(ReshapedImage,icol,irow)。 ReshapedImage = ReshapedImage39。 %將ReshapedImage轉(zhuǎn)置 %show the reconstructed image. 現(xiàn)實(shí)重構(gòu)圖像 subplot(1,2,2) %在figure5的右邊顯示重構(gòu)的圖像 imagesc(ReshapedImage)。 colormap(39。gray39。)。 %度量ReshapedImage,將它顯示出來(lái) title(39。Reconstructed image39。,39。fontsize39。,18) %標(biāo)題:Reconstructed image InImWeight = []。 %建立一個(gè)空矩陣InImWeight for i=1:size(u,2) t = u(:,i)39。 %將u的i列轉(zhuǎn)置,賦給t WeightOfInputImage = dot(t,Difference39。)。 %構(gòu)造矢量點(diǎn)WeightOfInputImage InImWeight = [InImWeight。 WeightOfInputImage]。 %構(gòu)造InImageWeight end ll = 1:M。 % figure(6) subplot(1,2,1) %figure6左邊顯示輸入圖像的權(quán)值 stem(ll,InImWeight) %利用stem函數(shù),劃分離散序列數(shù)據(jù) title(39。Weight of Input Face39。,39。fontsize39。,14) %標(biāo)題Weight of Input Face % Find Euclidean distance 找到歐幾里得距離 e=[]。 %建立一個(gè)空矩陣e for i=1:size(omega,2) q = omega(:,i)。 %讀取omega的第i列 DiffWeight = InImWeightq。 %用InImWeightq得到DiffWeight mag = norm(DiffWeight)。 %得到DiffWeight的范數(shù),賦給mag e = [e mag]。 %構(gòu)造e矩陣 end kk = 1:size(e,2)。 subplot(1,2,2) %在figure 6 右邊顯示 stem(kk,e) %劃分顯示離散序列數(shù)據(jù) title(39。Euclidean distance of input image39。,39。fontsize39。,14) %標(biāo)題Euclidean distance of input image MaximumValue=max(e) %顯示e中的最大值 MinimumValue=min(e) %顯示e中的最小值八、心得體會(huì)此次是我們的最后一次課程設(shè)計(jì)，沒(méi)有了剛開(kāi)始的那種茫然。我們這次的設(shè)計(jì)還是以小組的形式，利用所學(xué)知識(shí)，設(shè)計(jì)一個(gè)基于PCA方法的人臉識(shí)別系統(tǒng)。要求系統(tǒng)可以對(duì)各類文件格式的人臉文件進(jìn)行分析，可以對(duì)一定長(zhǎng)度的人臉訓(xùn)練集進(jìn)行特征值提取，能夠顯示特征臉、平均臉，能夠由特征向量構(gòu)造訓(xùn)練集內(nèi)部或外部的任意人臉文件，并且完成比對(duì)誤差及人臉識(shí)別的功能。由于這次課程設(shè)計(jì)是在研究生考試之前，所以，我們大多數(shù)人都沒(méi)有很好的做出來(lái)最后的結(jié)果同時(shí)也讓我充分認(rèn)識(shí)到自己的空想與實(shí)踐的差別，認(rèn)識(shí)莫眼高手低，莫閉門造車，知識(shí)都在不斷更新和流動(dòng)之中，而扎實(shí)的基礎(chǔ)是一切創(chuàng)造的源泉，只有從本質(zhì)上理解了原理，才能更好的于疑途尋求柳暗花明，實(shí)現(xiàn)在科學(xué)界的美好暢游和尋得創(chuàng)造的快樂(lè)。還有就是每次在2號(hào)樓做試驗(yàn)都會(huì)感覺(jué)特別的充實(shí)， 老師都很耐心的為我們解決試驗(yàn)中所出現(xiàn)的問(wèn)題，像以前做實(shí)驗(yàn)一樣，到最后嗓子沙啞，有時(shí)候甚至耽誤了回去的班車，但你們也沒(méi)有說(shuō)過(guò)什么，最后真心的感謝老師對(duì)我們課程設(shè)計(jì)的建議和幫助，我們才得以圓滿的！完成這次課程設(shè)計(jì)九．參考文獻(xiàn)[1] Matthew Turk. Alex Pentland. Eigenfaces for recognition[J], Journal of Cognitive Neuroscience, Volume 3 , Issue 1 , P 7186, 1991[2] 薛年喜. MATLAB在數(shù)字信號(hào)處理中的應(yīng)用[M]. 北京：清華大學(xué)出版社,2003.[3] 程佩青. 數(shù)字信號(hào)處理教程[M]. 北京：清華大學(xué)出版社,2003[4] 付麗琴,桂志國(guó),王黎明. 數(shù)字信號(hào)處理原理及實(shí)現(xiàn)[M].北京：國(guó)防工業(yè)出版社,2004[5] 丁玉美. 數(shù)字信號(hào)處理 [M]. 西安：西安電子科技大學(xué)出版社,2003 25