图像的主成分分析(PCA)

今天被这一知识点折磨的够呛，主要原因是好多关于矩阵的记忆都有一些模糊，并且一些Numpy的函数并不是太了解，现在讲一些关于这一节的知识点总结一下，方便大家参考。
首先介绍一下PCA
PCA是一个非常有用的降维技巧，可以在使用尽可能少维数的前提下，尽可能多的保持训练数据信息。

from PIL import Image
from numpy import 
im=array(Image.open('test_pic/test.jpg'))

主要函数：
shape:用于计算矩阵的维数
说明:因为im为三维函数，故得到的结果格式为(片数,行数,列数) ps:关于格式网上很少有说明,经过测试得到。
mean():求取矩阵均值
说明:mean(array,axis=n) n可以等于0,1,空, 默认求整个矩阵的均值，0时，压缩行对各列求均值，1时，压缩列，对各行求均值。
dot():计算矩阵乘积，也就是我们所学的矩阵乘积。
矩阵.T:求该矩阵的转置。
linalg.eigh():求特征值和特征向量。
补充数学知识点
特征值:f(λ)=|λE-A|=0 λ为特征值。
特征向量:(λE-A)x=0 x为特征向量，所有特征向量为特征向量空间。
期望值:每次试验可能产生的结果与其概率的乘积之和。
概念
数据中心化:用矩阵减去平均值