图像特征提取系列之ＰＣＡ

1：为什么图像处理需要PC A？

1- 如果【特征向量】维度过高，不仅会增加计算复杂度，还会给分类问题带来负面影响，造成识别，或者分类精度降低。
2- 可能，直观上，感觉特征越多，就越多的描述【样本的属性】，可提高识别率。
3- 其实，并不是？？？！！

---

假设，要区分西瓜，冬瓜。我们可以直接通过表皮就纹理，就可以做出正确的判断。那么，我多加几个特征：（重量）（形状）（体积）（是否有籽），可能还会对分类造成干扰。

:实际上，对于【特定样本数目】的情况下，特征维度与识别率关系 大概如下曲线：

注意：x轴—特征向量数目， y轴—分类性能。
这就需要对【特征降维】,其中一个重要手段:PCA.

2： PCA 干什么？

【实质】：尽可能好的保留原始数据信息的条件下，通过【线性变换】将高维空间中样本数据投影到低维空间。

3: PCA怎么干？数学解释

1- 提取 样本协方差矩阵S 的 前K个特征值【求矩阵特征值，然后排序，然后取前K个】对应的特征向量【这些特征向量保证相互正交】。
2- 实际上，就是找到一组基，将原来的矩阵投影到新的 空间上。
3- 几何解释

1- 在二维平面，求出来的两个本征向量就是，E1，E2. PCA实际上做：投影变换【从原来的X，Y轴，转换