PCA ，PCAWhitening ，ZCAWhitening

白化的目的：

举例来说，假设训练数据是图像，由于图像中相邻像素之间具有很强的相关性，所以用于训练时输入是冗余的。白化的目的就是降低输入的冗余性；更正式的说，我们希望通过白化过程使得学习算法的输入具有如下性质：(i)特征之间相关性较低；(ii)所有特征具有相同的方差

一、Pca白化  PcaWhitening

（1）消除数据的相关性

介绍的主成分分析Pca中，通过转化矩阵U，把原始数据映射到新的数据上；即Xrot=U*X；原始数据X经过转换后，得到的新的矩阵Xrot的各个维数的数据之间的相关性已经被消除；Xrot的协方差矩阵为对角阵，即表示其各个数据维度间无相关性；

（2）所有特征具有相同的方差

为了使每个输入特征具有单位方差，我们可以直接使用作为缩放因子来缩放每个特征。

白化后数据现在的协方差矩阵为单位矩阵 I。我们说白化是数据经过PCA后在缩放的版本；白化后数据中不同的特征之间不相关并且具有单位方差。

二、Zca白化，ZcaWhitening

      最后要说明的是，使数据的协方差矩阵变为单位矩阵I的方式并不唯一。具体地，如果R是任意正交矩阵，即满足R*R'=I (说它正交不太严格， 可以是旋转或反射矩阵),那么经过R变换后的数据仍然具有单位协方差。在ZCA白化中，令R=U 。我们定义ZCA白化的结

果为：

可以证明，对所有可能的R，这种旋转使得Zca白化后的数据，尽可能地接近原始输入数据x。

三、正则化

实践中需要实现PCA白化或ZCA白化时，有时一些特征值在数值上接近于0，这样在缩放步骤时我们除以将导致除以一个接近0的值；这可能使数据上溢 (赋为大数值)或造成数值不稳定。因而在实践中，我们使用少量的正则化实现这个缩放过程，即在取平方根和倒数之前给特征值加上一个很小的常数：

当x在区间[-1,1]上时, 一般ε取值为 10^-5。对图像来说, 这里加上ε，对输入图像也有一些平滑(或低通滤波)的作用。这样处理还能消除在图像的像素信息获取过程中产生的噪声，改善学习到的特征。

 

四：对图像应用主成分分析PCA on Images

为使PCA算法能有效工作，通常我们希望所有的特征都有相似的取值范围（并且均值接近于0）。如果你曾在其它应用中使用过PCA算法，你可能知道有必要单独对每个特征做预处理，即通过估算每个特征的均值和方差，而后将其取值范围规整化为零均值和单位方差。

在自然图像上进行训练时，对每一个像素单独估计均值和方差意义不大，因为（理论上）图像任一部分的统计性质都应该和其它部分相同，图像的这种特性被称作平稳性（stationarity）。具体而言，为使PCA算法正常工作，我们通常需要满足以下要求：

(1)特征的均值大致为0；

(2)不同特征的方差值彼此相似。

对于自然图片，即使不进行方差归一化操作，条件(2)也自然满足，故而我们不再进行任何方差归一化操作（对音频数据,如声谱,或文本数据,如词袋向量，我们通常也不进行方差归一化）。

实际上，PCA算法对输入数据具有缩放不变性，无论输入数据的值被如何放大（或缩小），返回的特征向量都不改变。更正式的说：如果将每个特征向量都乘以某个正数（即所有特征量被放大或缩小相同的倍数），PCA的输出特征向量都将不会发生变化。

既然我们不做方差归一化，唯一还需进行的规整化操作就是均值规整化，其目的是保证所有特征的均值都在0附近。根据应用，在大多数情况下，我们并不关注所输入图像的整体明亮程度。比如在对象识别任务中，图像的整体明亮程度并不会影响图像中存在的是什么物体。更为正式地说，我们对图像块的平均亮度值不感兴趣，所以可以减去这个值来进行均值规整化。

如果你处理的图像并非自然图像（比如，手写文字，或者白背景正中摆放单独物体），其他规整化操作就值得考虑了，而哪种做法最合适也取决于具体应用场合。但对自然图像而言，对每幅图像进行上述的零均值规整化，是默认而合理的处理。

 

PCA/Whitening部署

代码详解：

Step1：提取图片片段

x = sampleIMAGESRAW();

%1000个样本图片片段，每个片段有144个特征维度。

[m n]=size(x);

x=x-repmat(mean(x,1),m,1);

%分别对每个样本进行0均值处理。

Step2：主成分计算

xRot = zeros(size(x));

sigma=x*x'/n; %计算协方差矩阵

[u s v]=svd(sigma);%矩阵的svd分解，u为一个正交矩阵（矩阵的行和列，线性无关），每一列为一个特征向量，s为特征值矩阵，v为另一个正交矩阵；由于此处sigma为对称的协方差矩阵(对称的方阵)。所以此处u和v互为转制，即u=v’;

xRot=u'*x; %数据的变化，变换后，xRot无相关性。

 

Step3：主成分计算检验

covar = zeros(size(x, 1))；%covar为相关系数矩阵

covar = (1./m)*xRot*xRot';%计算相关系数矩阵

figure('name','Visualisation of covariance matrix');

imagesc(covar);%imagesc函数可以可视化相关系数矩阵，主对角线以外的矩阵区域为0，对应蓝色；主对角线上，为一套从上到下逐渐变暗的斜线；特征值逐渐减小

 

Step4：提取主成分

k = 0;

ss = diag(s);%把特征值矩阵，向量化

k = length(ss((cumsum(ss)/sum(ss))<=0.99)); 

注释：

%其中cumsum(ss)求出的是一个累积向量，也就是说ss向量值的累加值

>> a=[1 2 3 4 5];

>> cumsum(a)=1     3    6    10    15

%(cumsum(a)/sum(a))<=0.6 ；一个向量，值为0或者1的向量，为1表示该元素满足条件，值为0表示不满足这个条件。

>> (cumsum(a)/sum(a))<=0.6=1     1    1     0     0

>> b=a((cumsum(a)/sum(a))<=0.6)=1     2    3

xHat = zeros(size(x)); 

xHat = u*[u(:,1:k)'*x;zeros(m-k,n)]; %提取前k个主成分

 

Step5：PCAWhitening

epsilon = 0.1;%正则系数

xPCAWhite = zeros(size(x));

xPCAWhite = diag(1./sqrt(diag(s)+epsilon))*u'*x; %方差归一化

 

Step6：ZCAWhitening

xZCAWhite = u*xPCAWhite;

结果分析，源码：http://www.cnblogs.com/tornadomeet/archive/2013/03/22/2975456.html

Andrew ng 教程：http://deeplearning.stanford.edu/wiki/index.php/Exercise:PCA_and_Whitening