可实现的2DLDA算法代码

可实现的2DLDA算法，有mat，自己用的，直接可实现

clc
close all hidden
clear all
%% 导入之前生成的数据集
load ORL2D_data

xx=5;%设循坏次数为50次
%% 分类标签
groups=[];         %这一步用来给图像加标签，以确定是哪个人
for i=1:cNum
    groups=[groupsones（1fperc）*i];%fperc为人脸库中每个人有多少张图像，如yale库中每人有11张图像，这个值也在Yale_data中，load进来就有的
end
groups=groups‘;    %通过上面的for循环，标签已经加好
accuracy=[];
for fftr=5         %取训练样本数为5，就是说一个人在人脸库里有十几张图片，我只取出357张作为训练，剩余的那些作为测试具体的你自己去设定
    all_accuracy=0;    %   
    errornum=0;      %误识数，就是识别错误的个数
    ave_times=0;     %计算时间
    disp（[‘2DLDAfftr=‘num2str（fftr）]）;   %在commend  window中显示训练个数2DLDAfftr=35或7，用于观察运行进度
    for i=1:xx       %每种训练样本数，计算50次，以求最终识别率的平均值，
        t1=clock;    %设定开始时间
        test_accuraty=0;  %识别率，先设为0，因为要进行循坏，所以在开始要清零
        [test train] = crossvalind（‘holdOut‘groupsfftr/fperc）;%此步骤加上以下的4个步骤都是用于随机选择人脸库中随机选取每个人的fftr（前面已经设定）张图像作为训练样本，剩余的作为测试图像
        train_samples=all_samples（::train）;%随机选取训练人脸数据，这里 train_samples为3维，第一维表示一张图像的行，第二维是表示图像的列，第三维是说有多少个这样的行和列的人脸，比如yale库中15个人，每人11张图像，那么每人选3个作为训练，这里第三维就是3*15=45
        train_data_labels=groups（train）;   %加标签，确定是哪个人的人脸图像
        test_samples=all_samples（::test）;%这里是剩余的测试人脸图像，同样的原理
        test_data_labels=groups（test）;  %加标签
        
        %%   以下是LDA处理过程
        N=cNum*fftr;
        [nSmpnFeanumtr] = size（train_samples）;%size用于获得矩阵尺寸，这里是三维，同上
        ReducedDim = 10;   %降温幅度，把一幅图像降到10维
        mean_maxt=zeros（nSmpnFeacNum）;%zeros用于分配一个全为0的，尺寸为（nSmpnFeacNum）的矩阵
        mean_all=mean（train_samples3）;%求矩阵间均值
        for j=1:cNum%for循环用于求类内均值，就是每个类的均值，同一个人的图像属于一个类
            mean_cNum=mean（train_samples（::1+fftr*（j-1）:fftr*j）3）;
            mean_maxt（::j）=mean_cNum;
        end
        Sb=zeros（nFea）;
        Sw=zeros（nFea）;
        for m=1:cNum%以下是Sb计算类间离散度矩阵，具体参看文献
            sb=（mean_maxt（::m）-mean_all）‘*（mean_maxt（::m）-mean_all）;
            Sb=Sb+fftr*sb;
            for n=1:fftr
                X_t=train_samples（::n+fftr*（m-1））;%以下是Sw计算类内离散度矩阵，具体参看文献
                sw=（X_t-mean_maxt（::m））‘*（X_t-mean_maxt（::m））;
                Sw=Sw+sw;
            end
        end
        Sb=（1/N）*Sb;
        Sw=（1/N）*Sw;
        
        [eigvector eigvalue] = eig（SbSw）; %最终的计算公式，就是那个求解方程eigvalue矩阵中的值都放在对角线上，表示的是特征值，eigvector矩阵是特征值对应的特征向量
        eigvalue = diag（eigvalue）;%将对角化的特征值转成一个列向量
        [~ index] = sort（-eigvalue）;%将特征值进行排序
        eigvalue = eigvalue（index）;
        eigvector = eigvector（:index）;
        eigvector = eigvector（: 1:ReducedDim）;
        for q = 1:size（eigvector2）
            eigvector（:q） = eigvector（:q）./norm（eigvector（:q））;%这些都是提取最小（大）特征值所对应的特征向量
        end
        
        %% recognition这里是识别过程
        train_alldata=bsxfun（@minustrain_samplesmean_all）;
        test_alldata=bsxfun（@minustest_samplesmean_all）;
        for a=1:（fperc-fftr）*cNum
            test_data=test_alldata（::a）;
            test_proj=test_data*eigvector;
            all_result=[];
            for b=1:fftr*cNum
                train_data=tra

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4537  2014-03-10 23:19  2DLDA\LDA2D_knn.asv
     文件        4776  2014-11-10 20:07  2DLDA\LDA2D_knn.m
     文件     3729559  2013-10-08 16:25  2DLDA\ORL2D_data.mat
     文件     1396287  2013-10-08 16:15  2DLDA\Yale2D_data.mat
     目录           0  2014-11-14 10:26  2DLDA\