《PCANet: A Simple Deep Learning Baseline for Image Classification》

对照论文中的示例图和文章给出的代码来梳理

从图中看到，整个网络有三个关键步骤，Patch-mean removal 、 PCA filter convolution与Binary quantization &mapping ，分别是局部均值化、PCA卷积、二值化与直方图映射

im2col_mean_removal.m
输入
图片矩阵 InImg(m*n)
采样矩阵大小 patchsize12=$[k_1,k_2]$
图片通道数 chl(默认为1)
在输入的矩阵InImg上，按行滑动采样矩阵，得到patch,每个patch按列展开，减去均值成为输出矩阵im的列，所以输出矩阵im为 $k_1*k_2$ 行，$(m-k_1)*(n-k_2)$ 列

function im = im2col_mean_removal(varargin)
% 

NumInput = length(varargin);
InImg = varargin{
   1};
patchsize12 = varargin{
   2}; 

z = size(InImg,3);
im = cell(z,1);
if NumInput == 2
    for i = 1:z
        iim = im2colstep(InImg(:,:,i),patchsize12); %窗口采样,然后按列展开为列向量
        im{i} = bsxfun(@minus, iim, mean(iim))';    %去均值
%         iim = bsxfun(@minus, iim, mean(iim)); 
%         im{i} = bsxfun(@minus, iim, mean(iim,2))';
    end
else
    for i = 1:z
        iim = im2colstep(InImg(:,:,i),patchsize12,varargin{
   3});
        im{i} = bsxfun(@minus, iim, mean(iim))'; 
%         iim = bsxfun(@minus, iim, mean(iim)); 
%         im{i} = bsxfun(@minus, iim, mean(iim,2))';
    end 
end
im = [im{:}]';

PCA_FilterBank.m
输入为InImg （cell structure）
PatchSize 采样窗口大小
NumFilter 提取主成分个数
对于每一张图片，调用前面的im2col_mean_removal.m函数，得到
X=[X1,