基本原理
主成分分析PCA 是采取一种数学降维的方法,找出几个综合变量来代替原来众多的变量,使这些综合变量能尽可能地代表原来变量的信息量,而且彼此之间互不相关。在新的综合变量基础上,可以进一步统计分析。
通常,数学上的处理方法是将原来的变量做线性组合,成为新的综合变量,但是这种组合如果不加以限制,则可以有很多,应该如何选择?
如果将选取的第一个线性组合即第一个综合变量记为F1,自然希望它可以尽可能多地反映原来变量的信息,这里“信息”用方差来测量,方差var(F1)越来,则F1包含的信息越多。所以在所有的线性组合中F1应该是方差最大的,故称F1为第一主成分。如果第一主成分不足以代表原来p个变量的信息,再考虑选取F2为第二个线性组合即第二主成分,F1中已有的信息就不需要再出现在F2中,以此类推。
计算步骤
代码实现
% 基于PCA变换的图像融合方法
up = imread('pic/high.jpg');
low = imread('pic/low.jpg');
subplot(2,2,1);imshow(up);title('高分辨率图像');
subplot(2,2,2);imshow(low);title('低分辨率图像');
[up_R] = double(up(:,:,1));
[up_G] = double(up(:,:,2));
[up_B] = double(up(:,:,3));
[low_R] = double(low(:,:,1));
[low_G]