【图像融合】主成分分析PCA

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]