简析PCA

PCA 具有两个功能：（1）数据降维（2）数据可视化、

本篇文章主要是简述PCA在图像方面的可视化，

下面将结合代码来讲述一下整个PCA的过程：

1.首先获得一些关于自然图像的data，例如需要用在Auto-encoder,或者CNN中的最简单的数据格式，本文我是用到了一个64*2400000，数据不算大只是用来测试。其中前边的64=8*8指的是你从一张图像上取的patch的大小（8），后边的2400000则是指共采样了多少个这样的patch。

对应代码‘patches = sampleIMAGESRAW();’ 其中sampleIMAGESRAW（）与auto-encoder中的图像采样相同。

randsel = randi(size(patches,2),204,1); 
display_network(patches(:,randsel)); 从所以的patches中随机选出204个patch可视化出来。

2.对获取到的数据进行均值为0处理。因为自然图像每一部分的统计特征都非常的相似，因此不需要对图像进行方法归一化，但是有文中提到，如果是对其它的图像，例如最熟悉的手写字的识别时，还是有必要进行方差归一化的。

patches = patches-repmat(mean(patches,1),size(patches,1),1);%均值为0处理

3.PCA处理，首先要清楚PCA的计算过程其实主要就是求两个东西：（1）降维后的各个向量的方向（2）原先的样本在新的方向上投影后的值

具体来说，࿰