Discussion :

[mariono]

Bonjour,

je doit effectuer une analyse en composantes principales pour des images. J'ai écrit le script et souhaiterai savoir si ce' dernier est correct

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
clear all
%%% on charge les données %%%
database=load('essai_realdefau_1_kHz.dat');
 
 
xmin=250
xmax=500
ymin=250
ymax=500
 
 
 
%%%%%%%%%%%reduction de ma matrice de données%%%%%%%%%%%%%%%%%
for j=xmin:xmax
    for k=ymin:ymax
        database_reduit(k-ymin+1,j-xmin+1)=database(k,j);
 
        [nb_ex,nb_feat] = size(database_reduit);
    end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 
%%%%%%%%Calcul de la matrice de donnée centrée et normée%%%%%%%%%%%%%%
for j=1:nb_feat
    rowsum = sum(database_reduit(:, j))/nb_ex;
    ect=std(database_reduit(:, j));
    for k=1:nb_ex
        database1=(database_reduit(k,j)-rowsum)/(ect)^0,5;
       database2_reduit(k,j)=database1;
    end
end
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 
%%% on calcule la matrice de covariance %%%
S = cov(database2_reduit);
 
%%% on calcule les vecteurs propres et les valeurs propres %%%
[vec_p, L] = eig(S);
 
%%% on trie les vecteurs propres selon les valeurs propres %%%
[val_p, ind] = sort(diag(L));
val_p = flipud(val_p);
ind = flipud(ind);
vec_p2 = vec_p(:,ind);
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
%%%%%%%%%%%%Calcul de la matrice d'estimation%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%(Matrice vecteurs propores*Matrice données centrée%%%%%%%%%%%%%%%%%
S_chapo=vec_p2'*database2_reduit
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 
 
%coeff=corr2(S_chapo,database2_reduit)

Puis, je souhaiterai représenter une "nouvelle" image, en ne tenant plus compte du premier vecteur propre(seulement de tous les autres).Je ne sais pas comment faire?

Merci pour votre aide.

Mariono

[mariono]

Rebonjour,

en fait je voulais savoir :
avec une matrice d'estimation obtenue par ACP, comment puis je visualiser ma nouvelle image selon l'axe du deuxième vecteur propre sous Matlab?

Merci d'avance.

[hanane78]

bonjour,
pour effectuer l'ACP sur une matrice sous matlab, c mieux d'utiliser la fonction
pcacov() cherchez la dans le help

Amicalement

Hanane

[mariono]

Je vous remercie pour votre réponse. Le problème est que je ne suis pas sure de posséder la statistic toolbox, et donc pas toutes les fonctions...
De plus je ne comprends pas trop ce que renvoie la fonction pcacov...

Enfin, je ne comprend pas non plus ce passage du help:

pcacov does not standardize V to have unit variances. To perform principal components analysis on standardized variables, use the correlation matrix R = V./(SD*SD')), where SD = sqrt(diag(V)), in place of V. To perform principal components analysis directly on the data matrix, use princomp.

Pourriez vous m'éclairer?

Je vous remercie.

[mariono]

D'aprés ce que je comprend, pcacov renvoit la matrice des estimations avec chaque ligne qui correspond à un axe(par ordre décroissant)?

Ne faut il pas centrer la matrice de données au départ?

[hanane78]

pouriez nous expliquer es ce que vous voulez faire par ACP

dans mon application que j'ai utilisépcacov c'est de reduire le nombre de composante c'est a dire quand j'ai travaillé avec une image couleur c'est a dire j'ai 3 Matrice(R G B) .
j''ai utiliser la methode de l'ACP pour reduire le nombre de matrice

A+