1.PCA简要介绍
PCA(Principal Component Analysis)即主成分分析方法。一般都是先把样本矩阵变成一维的向量,然后很多样本的向量构成一个矩阵,以向量作为原始特征进行特征提取。由于转换后的维数一般较高,于是对随后的特征提取造成困难,使得后续算法具有较高的计算复杂度,因此提出2DPCA(二维主成分分析)算法进行改进。
2.2DPCA算法基本原理
把图像A看作是一个m×n的随机矩阵,设X 表示n维单位列向量,通过如下线性变换
将A投影到X上,因此,我们得到一个m维的投影向量Y,称为图像A的投影特征向量
预计样本的总散射度可以衡量投影向量X的鉴别能力。预计样本的总分散度的特性可以描述预计的特征向量的协方差矩阵。