案例分析：人脸图像压缩与重建

    目的：（1）介绍用统计方法（pca以及今年发展起来的一些pca增强模型，如二维化模型2DPCA、MatPCA和模块化方法ModulePCA等）进行人脸图像压缩与重建原理。数据库：人脸数据库ORL。

                （2）将算法集成到GUI程序中，使读者能了解一些简单的GUI要素实现方法，如菜单、回调函数、不同控件之间的参数传递等

    PCA （Principle Component Analysis）是统计学中的主成分分析方法。主成分分析方法从矩阵角度讲也称K-L变换。

    使用PCA方法对图像进行压缩和重建的大致过程：

    图像压缩：首先将图像训练库里的每个二维图像拉伸成向量。然后对其进行主成分分析得到主成分的变换矩阵以及图像均值向量。图像压缩过程就是把待压缩的图像减去训练得到的图像均值向量并通过变换矩阵变换成维数很小的一个向量的过程。

    图像重建：就是将压缩的图像通过变换矩阵的逆变换后再加上图像均值向量得到的压缩前向量的近似向量。因为是主成分分析，所以图像会有较少的信息损失，并且不能完全复原，但是这种信息损失一般是非常小的。

基本的PCA存在以下一些缺点：

（1）当人脸光照以及位置发生较大变化时，基本的PCA无法有效捕捉这些变化，而且有研究表明，基本的PCA几乎不能捕捉到图像之间的一些最简单的一致性，除非这些信息包含在训练图像中。

（2）基本的PCA都要把图像的像素按某种方式（一般是各列首位相接）拉伸成一个维数很高的向量。当图像尺寸较大时，这个拉伸后的向量维数会非常高，更不用说训练图像之间的协方差矩阵了。虽然利用SVD分解可以近似的得到特征向量，从而避免生成巨大的协方差矩阵，但这样做很多时候是不精确的。

鉴于上述PCA方法的不足，人们提出了一系列改进方法，即上面提到的2DPCA、MatPCA以及ModulePCA等

参考文献：

        [1]《MATLAB高效编程技巧与应用25个案例分析》吴鹏