图像压缩主成分分析实例_主成分分析：图像的有损压缩

此前，我们在MUSIC算法在微弱生命体回波处理中的应用和步进频连续波雷达回波处理——以MUSIC算法为例介绍了MUSIC算法的应用。MUSIC算法本质上是利用信号的相关矩阵的特征向量相互正交(或者说线性无关)这一特性实现对信号有效成分的峰值频率的搜索。今天，我们介绍另外一种利用矩阵特征值分解的方法，主成分分析。并利用此方法实现对图像的有损压缩。

主成分分析

主成分分析(Principal Component Analysis, 简称 PCA)，广泛用于数据降维，相关数据解耦，图像压缩、深度学习等。其思路是利用矩阵的特征值分解，根据特征值的大小确定各特征轴在数据中的权重，特征值非常小的成分可以忽略不计，从而实现数据降维或者数据压缩。考虑一矩阵( 图像)X，其维度为行列，我们可以将其理解为具有个特征，个样本的数据，而主成分分析的目的就是降低特征数量(每行对应一个特征，每列对应一个样本)的数量，去掉冗余特征。现在，要对矩阵作某种线性变换，使其维度变为行列。若找到一变换矩阵与X相乘，且使L小于N，我们则实现了对矩阵的压