hog特徴量ベクトルに対してpcaを行いたい

Question

前提・実現したいこと

ここに質問の内容を詳しく書いてください。
pythonを用いて、画像のhog特徴量を求める作業を行なっています。
その際、出力されるhog特徴量ベクトルの要素数が膨大（1601208)であるため、主成分分析（pca）を用いて1000程度の要素数への圧縮を試みているのですが、hog特徴ベクトルにそのままpcaを行うことができません。
どのようにすれば良いのでしょうか？

（hogおよびpcaに対する理解が十分ではないため、理解に誤りがあればご教授いただけると幸いです）

発生している問題・エラーメッセージ

ValueError: n_components=1000 must be between 0 and min(n_samples, n_features)=1 with svd_solver='full'

該当のソースコード

import cv2
from skimage.feature import hog
from sklearn.decomposition import PCA

read_file = "image/corporate_address/001_01.png"

#グレースケールで画像読み込み
image = cv2.imread(read_file, cv2.IMREAD_GRAYSCALE)

#hog特徴量を計算、ベクトルを取得
fd = hog(image, orientations=9, pixels_per_cell=(6, 6),cells_per_block=(6, 6), visualize=False)

#ベクトルをreshape?（よく理解できていません）
fd = fd.reshape(-1, 1)

#pcaを行いたい
pca = PCA(n_components=1000, svd_solver='full')
pca.fit(fd)

試したこと

Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.
というエラーが発生したため、特徴量ベクトルにreshapeを実行

Answer 1

画像にトリミング処理を加えた上で、複数の画像のhog特徴量を配列にしてpcaを行う方針で解決しました。

Answer 2

PCAは複数の個体（なのでここでは複数枚の画像データ）から分散共分散行列（または相関係数行列）を計算し、これを固有値分解して得られた固有ベクトルを削減後の空間の正規直交基底として次元削減を行う手法です。

この場合は複数枚の画像から構成されるデータセットに対して行わないといけません。単一の画像に対して行う方法はないかと思います。

また、そもそもそれだけ次元数が大きいとPCAも厳しいので、hoge特徴量の生成の段階で次元数がもう少し小さくなるようなパラメータチューニングをしないと実用的ではないと思います。

Comments

[Kushiro]

複数枚の画像から構成されるデータセットに対して行うというのは、N枚の画像のhog特徴量ベクトルからN次元配列を作成してそれを入力とする、ということで良いのでしょうか？

[hayataka2049]

sklearnの場合は(画面の枚数, 特徴量の次元数)のshapeの2次元配列にします。