4.2 基于PCA尋找模式（模型）（PCA to find patterns）
假設(shè)我們有20張圖像，每張圖像由N個(gè)像素的高和N個(gè)像素的寬組成（N*N的矩陣）。對(duì)于每張圖像，我們可以使用上一節(jié)的方法將其表示為一個(gè)圖像向量。然后，我們可以將所有的圖像（現(xiàn)在一張圖像對(duì)應(yīng)一個(gè)向量）放到一個(gè)大矩陣?yán)锩妫稳纾?/p>
以此作為我們使用PCA算法的第一步（現(xiàn)在處理的對(duì)象是一個(gè)由20張圖像構(gòu)成的大矩陣）。一旦使用PCA，我們要做的就是求解協(xié)方差矩陣得到特征向量（eigenvectors）。這（PCA）為什么有用呢？假設(shè)我們想實(shí)現(xiàn)面部識(shí)別，原始的數(shù)據(jù)集是人臉圖像。問(wèn)題是，給定一張新的人臉圖像，識(shí)別出這張新圖像對(duì)應(yīng)原始數(shù)據(jù)圖像中的哪一類(lèi)人臉圖像，也就是根據(jù)人臉圖像信息進(jìn)行分類(lèi)（注意，這張新圖像并不是來(lái)自于我們一開(kāi)始所給的那20張圖像）？這個(gè)問(wèn)題在計(jì)算機(jī)視覺(jué)的解法是，基于PCA分析得到的新坐標(biāo)系下，測(cè)量新的人臉圖像與已知的20張人臉圖像之間的區(qū)別，而不是在原來(lái)的坐標(biāo)系。
http://www.cnblogs.com/XMU-hcq/p/6353698.html
事實(shí)證明經(jīng)過(guò)PCA算法得到的新的坐標(biāo)系更有利于識(shí)別人臉，這是因?yàn)镻CA算法告訴我們?cè)紙D像（數(shù)據(jù)）之間的差異（differences and similarities）。PCA算法確定了數(shù)據(jù)中的統(tǒng)計(jì)模型。
因?yàn)樗械南蛄慷际?img alt="photoshop培訓(xùn),電腦培訓(xùn),電腦維修培訓(xùn),移動(dòng)軟件開(kāi)發(fā)培訓(xùn),網(wǎng)站設(shè)計(jì)培訓(xùn),網(wǎng)站建設(shè)培訓(xùn)" src="/catchImages/20170511/1494474853435012713.gif" alt=""/> 維，所以我們將得到
個(gè)特征向量（eigenvector）。實(shí)際上，我們也可以丟棄一些意義不大的eigenvectors（只保留特征值前k大對(duì)應(yīng)的eigenvectors），識(shí)別的效果同樣不錯(cuò)。
4.3 基于PCA的圖像壓縮（PCA for image compression）
使用PCA算法進(jìn)行圖像壓縮又稱(chēng)為Hotelling 變換或者K-L變換。假如我們有20張圖像，每張
個(gè)像素。我們可以構(gòu)造個(gè)向量，每個(gè)向量20維，每一維對(duì)應(yīng)這20張圖像中同一個(gè)像素的強(qiáng)度值，下文我（博主）將補(bǔ)充說(shuō)明。這一點(diǎn)與上一個(gè)例子的大不同，上一個(gè)例子是構(gòu)成的向量vector中的每個(gè)元素都是對(duì)應(yīng)不同的像素，而現(xiàn)在這個(gè)例子構(gòu)成的每個(gè)向量（個(gè)）的元素對(duì)應(yīng)20張圖像相同的一個(gè)像素值。
---------------
補(bǔ)充說(shuō)明：個(gè)20維的向量
第1個(gè)向量形如：
第2個(gè)向量形如：
第
網(wǎng)友評(píng)論
