图像的 2DPCA 与 2D2DPCA 特征提取

引言

众所周知，PCA（Principal Component Analysis） （也叫作 Karhunen-Loeve 变换）在模式识别和计算机视觉领域是一个经典的特征提取和数据降维的工具。而2DPCA（二维主成分分析法）方法是在 PCA 的基础之上发展起来的一种新型的主成分分析方法. 相对于传统的PCA方法，2DPCA是基于二维图像矩阵的，而非一维图像向量。这种处理方法不需要事先把图像转成一维的向量，相当于去除了图像的行向量或列向量的相关性。

2DPCA 的优点

在 2DPCA 中，图像的协方差矩阵可以通过使用原始图像矩阵直接构造出来。与 PCA 构造的协方差矩阵相比，使用 2DPCA 的协方差矩阵要小很多。其主要优点有：

1. 直接地计算训练样本的写法差矩阵；
2. 计算特征值特征向量所需要的时间比较少。

2DPCA 的数学基础

2DPCA 是 Yang 和Zhang 等人提出来的一种直接图像投影技术，本质上是一种主成分的方法，同时也是一种非监督的学习方法。
设 $A_i,i=1,2,\cdots,N$ 是 $N$ 个样本图像，$A_j\in R^{m\times n}$。 首先计算协方差矩阵，也就是总体散布矩阵 $G_t$ ：