非負矩陣分解（NMF,Non-negative Matrix Factorization）

非負矩陣分解是在矩陣中所有元素均為非負數約束條件之下的矩陣分解方法
基本思想：給定一個非負矩陣V，NMF能夠找到一個百負矩陣W和一個非負矩陣H，使得矩陣W和H的乘積近似等于矩陣V中的值V=W*H
W矩陣：基礎圖像矩陣，相當于從原矩陣V中抽取出來的特征
V矩陣：系數矩陣
NMF能夠廣泛應用于圖像分析、文本挖掘和語音等領域

矩陣分解優化目標：最小化W矩陣和H矩陣的乘積和原始矩陣之間的差別

http://blog.csdn.net/acdreamers/article/details/44663421/

主要參數：

dp.NMF(n_components=None,init=None,solver=‘cd’,beta_loss=‘frobenius’,tol=1e-4,
max_iter=200,random_state=None,alpha-0.,l1_ratio=0.,verbose=0,shuffle=False)
n_components:用于指定分解后矩陣的單個維度k
init:W矩陣和H矩陣的初始化方式，默認為’nndsvdar’

NMF人臉數據特征提取

目標：已知Olivetti人臉數據共400個每個數據是64*64大小，由于NMF分解得到的W矩陣相當于從原始矩陣中提取的特征，
那么就可以使用NMF對400個人臉數據提行特征提取
通過設置k的大小，設置提取的特征數目，在本實驗中設置k=6，隨后將提取的特征以圖像的形式展示出來

人臉特征提取實例：

import sklearn.decomposition as dp import matplotlib.pyplot as plt from sklearn.datasets import fetch_olivetti_faces from numpy.random import RandomState #創建隨機種子 n_row,n_col=2,3 n_components=n_row*n_col image_shape=(64,64) datasets=fetch_olivetti_faces(shuffle=True,random_state=RandomState(0)) #dataset=fetch_olivetti_faces(data_home=None,shuffle=False,random_state=0,download_if_missing=True) faces=datasets.data #加載工打開數據def plot_gallery(title,images,n_col=n_col,n_row=n_row):plt.figure(figsize=(2.*n_col,2.26*n_row)) #創建圖片，并指定圖片大小plt.suptitle(title,size=18) #設置標題及字號大小for i,comp in enumerate(images):plt.subplot(n_row,n_col,i+1) #選擇繪制的子圖vmax=max(comp.max(),-comp.min())plt.imshow(comp.reshape(image_shape),cmap=plt.cm.gray,interpolation='nearest',vmin=-vmax,vmax=vmax) #對數值歸一化，并以灰度圖形式顯示plt.xticks(())plt.yticks(()) #去除子圖的坐標軸標簽plt.subplots_adjust(0.01,0.05,0.99,0.94,0.04,0.) #對子圖位置及間隔調整plot_gallery('First centered Olivetti faces',faces[:n_components]) estimators=[('Eigenfaces-PCA using randomized SVD',dp.PCA(n_components=6,whiten=True)),('Non-negative components - NMF',dp.NMF(n_components=6,init='nndsvda',tol=5e-3))] #NMF和PCA實例化for name,estimator in estimators: #分別調用PCA和NMFestimator.fit(faces) #調用PCA或NMF提取特征components_=estimator.components_ #獲取提取的特征plot_gallery(name,components_[:n_components]) #按照固定格式進行排列 plt.show()

學習目標：https://blog.csdn.net/qq_32892383/article/details/91347164

總結

以上是生活随笔為你收集整理的python sklearn NMF人脸识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。