Learning the parts of objects bynon-negative matrix factorization阅读笔记

文章中首先将PCA（主成分分析）、VQ（矢量量化）、NMF（非负矩阵分解）三种方法对一张脸的图片的分解进行了对比

其中从分析出的basis上看到，VQ将原图中的脸分解为n张脸，每张中都着重刻画了脸中的一个特征；而PCA的n张图中的脸虽然也刻画出了特征但都是扭曲的；NMF则于前两种完全不同，其图像中都是原图中脸的不同特征，符合我们对脸的特征的直觉分辨

为啥NFM这么不同于PCA和VQ呢？

首先我们知道一张nxm像素（矩阵V）的照片，其像素点都是非负值；将其分解有$V_{mn}\approx(WH)_{mn}=\sum_{a=1}^r W_{ma}H_{an}$
其中每r列W称为basis images，每列H称为编码
VQ、PCA、NFM的区别在于W和H的选择