加权PCA主元分析：优化图像特征提取

%一个修改后的PCA进行人脸识别的Matlab代码，识别率达到88％ 
% calc xmean,sigma and its eigen decomposition 
allsamples=[];%所有训练图像 
for i=1:40 
    for j=1:5 
      a=imread(strcat('D:\rawdata\ORL\s',num2str(i),'\',num2str(j),'.pgm')); 
      % imshow(a); 
      b=a(1:112*92); % b是行矢量 1×N，其中N＝10304，提取顺序是先列后行，即从上到下，从左到右 
      b=double(b); 
      allsamples=[allsamples; b];  % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M＝200 
  end 
end 
samplemean=mean(allsamples); % 平均图片，1 × N 
for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean是一个M × N矩阵，xmean每一行保存的数据是“每个图片数据-平均图片” 
end; 
sigma=xmean*xmean';   % M * M 阶矩阵 
[v d]=eig(sigma);     %返回矩阵的特征值和特征向量  [V,D] = eig(A) D是特征值 V特征向量 
d1=diag(d); 
[d2 index]=sort(d1); %以升序排序 
cols=size(v,2);% 特征向量矩阵的列数 
for i=1:cols 
    vsort(:,i) = v(:, index(cols-i+1) ); % vsort 是一个M*col(注:col一般等于M)阶矩阵，保存的是按降序排列的特征向量,每一列构成一个特征向量 
    dsort(i)   = d1( index(cols-i+1) );  % dsort 保存的是按降序排列的特征值，是一维行向量 
end  %完成降序排列 
%以下选择90%的能量 
dsum = sum(dsort); 
    dsum_extract = 0; 
    p = 0; 
    while( dsum_extract/dsum < 0.9) 
        p = p + 1;