#include <opencv2/core/core.hpp>

#include <opencv2/highgui/highgui.hpp>

#include <fstream>

#include <sstream>

using namespace cv;

using namespace std;

//将给出的图像回归为值域在0~255之间的正常图像

Mat norm_0_255(const Mat& src) {

    // 构建返回图像矩阵

    Mat dst;

    switch (src.channels()) {

    case ://根据图像通道情况选择不同的回归函数

        cv::normalize(src, dst, , , NORM_MINMAX, CV_8UC1);

        break;

    case :

        cv::normalize(src, dst, , , NORM_MINMAX, CV_8UC3);

        break;

    default:

        src.copyTo(dst);

        break;

    }

    return dst;

}

// 将一副图像的数据转换为Row Matrix中的一行；这样做是为了跟opencv给出的PCA类的接口对应

//参数中最重要的就是第一个参数，表示的是训练图像样本集合

Mat asRowMatrix(const vector<Mat>& src, int rtype, double alpha = , double beta = ) {

    // 样本个数

    size_t n = src.size();

    // 如果样本为空，返回空矩阵

    if (n == )

        return Mat();

    // 样本的维度

    size_t d = src[].total();

    // 构建返回矩阵

    Mat data(n, d, rtype);

    // 将图像数据复制到结果矩阵中

    for (int i = ; i < n; i++) {

        //如果数据为空，抛出异常

        if (src[i].empty()) {

            string error_message = format("Image number %d was empty, please check your input data.", i);

            CV_Error(CV_StsBadArg, error_message);

        }

        // 图像数据的维度要是d，保证可以复制到返回矩阵中

        if (src[i].total() != d) {

            string error_message = format("Wrong number of elements in matrix #%d! Expected %d was %d.", i, d, src[i].total());

            CV_Error(CV_StsBadArg, error_message);

        }

        // 获得返回矩阵中的当前行矩阵:

        Mat xi = data.row(i);//引用，改变xi就相当于改变data

        // 将一副图像映射到返回矩阵的一行中:

        if (src[i].isContinuous()) {

            src[i].reshape(, ).convertTo(xi, rtype, alpha, beta);

        }

        else {

            src[i].clone().reshape(, ).convertTo(xi, rtype, alpha, beta);

        }

    }

    return data;

}

int main(int argc, const char *argv[]) {

    // 训练图像集合

    vector<Mat> db;

        // 本例中使用的是ORL人脸库，可以自行在网上下载

    //将数据读入到集合中

    db.push_back(imread("s1/1.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s1/2.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s1/3.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s2/1.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s2/2.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s2/3.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s3/1.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s3/2.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s3/3.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s4/1.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s4/2.pgm", IMREAD_GRAYSCALE));

    db.push_back(imread("s4/3.pgm", IMREAD_GRAYSCALE));

    // 将训练数据读入到数据集合中，实现PCA类的接口

    Mat data = asRowMatrix(db, CV_32FC1);

    // PCA中设定的主成分的维度,这里我们设置为10维度

    int num_components = ;

    // 构建一份PCA类

    PCA pca(data, Mat(), CV_PCA_DATA_AS_ROW, num_components);

    // 复制PCA方法获得的结果

    Mat mean = pca.mean.clone();

    Mat eigenvalues = pca.eigenvalues.clone();

    Mat eigenvectors = pca.eigenvectors.clone();

    namedWindow("avg",);

    namedWindow("pc1",);

    namedWindow("pc2",);

    namedWindow("pc3",);

    // 平均脸:

    imshow("avg", norm_0_255(mean.reshape(, db[].rows)));

    // 前三个训练人物的特征脸

    imshow("pc1", norm_0_255(pca.eigenvectors.row()).reshape(, db[].rows));

    imshow("pc2", norm_0_255(pca.eigenvectors.row()).reshape(, db[].rows));

    imshow("pc3", norm_0_255(pca.eigenvectors.row()).reshape(, db[].rows));

    // Show the images:

    waitKey();

    // Success!

    return ;

}