Matlab final project
===
大一下 - Carrson Fung - Engineering Mathematics: Linear Algebra
:::success
[TOC]
:::

### 路徑的小問題

:::danger
在main.m的最下方有教你如何顯示圖案，但在指令視窗只會讀取他所在目錄的資料，所以會讀不到你指定的檔案名稱，所以要把imgdata裡的東西抓到code資料夾或是code裡的程式碼抓到imgdata資料才能在指令視窗正常讀取，但main.m已經處理好這個問題了，跑main.m時不會有問題
:::

### main.m
:::info
不用寫，在main.m的最下方有教你如何顯示圖案
:::
:::warning
以下是main.m在幹嘛的解釋，不想了解可跳過

**Initialize and constant configure**
清空加關閉所有視窗，調整路徑使得main.m可以取得imgdata的資料
**please set parameters yourself**
你可以根據你自己喜歡調整除了start_ID跟im_size以外的參數數值
p_all是指只取幾個百分比的eigenvector來做影像辨識
**Processing training data**
透過`load_set`函數把指定範圍的資料轉成column vector存進G矩陣
G_avg計算出指定範圍的資料的平均column vector
接著將G矩陣做一些運算，把G裡面的資料平均值化為0
接著使用`comp_eig`將數值傳給v,u,ht(類似PCA)
**Face identification**
設定了信躁比範圍，在這個範圍做人臉辨識的模擬，每張圖片會跑多次來獲得更穩定的結果，在中間有加入不同的信躁比，模擬不同條件下的人臉辨識結果，在這段程式碼中間有做了資料去中心化，使資料的平均值是0，接著將測試圖片(A)加入噪音然後使用`min_norm`來找出，試著從圖像資料裡面找出我原來給的測試圖片(A)，接著程式碼會檢查找出的圖像是否正確，接著會計算當前信躁比的錯誤率
**Plot figure PDvsSNR figure**
繪製錯誤率（miss probability）隨著信噪比（SNR）變化，圖預期的樣子在簡報裡面有
:::

### load_img.m
:::info
不用寫，注意在測試圖片的時候要把imgdata抓到同個資料夾就是了
:::

### load_set.m
:::info
只要把指定範圍begin_ID,end_ID的檔案用`load_img`函數讀進去G矩陣即可，G矩陣的大小是(vec_length)x(end_ID-begin_ID+1)
:::
### comp_eig.m
:::info
R矩陣(correlation matrix)是為了找到最好的座標軸，照著講義的公式求解
R = G^T^ x G, G是data matrix，大小是(training_set_size) x (training_set_size)
p是要取特定%數的eigenvectors(預設是1,0.1,0.01也就是p_all)
u是右奇異矩陣，大小是(training_set_size) x (training_set_size)
v是左奇異矩陣，大小是(128x128) x (training_set_size)，這裡用了一種特殊的求法，在簡報裡有提到，可以去簡報研究一下或參考PCA跟SVD的關係
ht是係數矩陣，這個矩陣就是你將原始數據投影到eigenspace後的矩陣，大小是(p x training_set_size) x (training_set_size)
:::
### min_norm.m
:::info
把I(測試圖像矩陣),v(左奇異矩陣),ht(投影後資料矩陣)傳入後，從ht矩陣裡面找出與I(測試圖像矩陣)有最小距離的資料並回傳位置和距離值，注意當p不等於1時，矩陣大小需要調整
:::

### project原理
:::info
目前還沒有想寫的意思，阿上面的原理有可能有寫錯，因為我其實也沒有完全懂
:::