學(xué)習(xí)圖像處理，無疑會涉及到降維的操作，而PCA是常用的降維算法，既然經(jīng)常用到，所以需要摳明白才行啊~~

????? PCA（PrincipalComponents Analysis）即主成分分析，是圖像處理中經(jīng)常用到的降維方法，大家知道，我們在處理有關(guān)數(shù)字圖像處理方面的問題時，比如經(jīng)常用的圖像的查詢問題，在一個幾萬或者幾百萬甚至更大的數(shù)據(jù)庫中查詢一幅相近的圖像。

??? 這時，我們通常的方法是對圖像庫中的圖片提取響應(yīng)的特征，如顏色，紋理，sift，surf，vlad等特征，然后將其保存，建立響應(yīng)的數(shù)據(jù)索引，然后對要查詢的圖像提取相應(yīng)的特征，與數(shù)據(jù)庫中的圖像特征對比，找出與之最近的圖片。

??? 這里，如果我們?yōu)榱颂岣卟樵兊臏?zhǔn)確率，通常會提取一些較為復(fù)雜的特征，如sift，surf等，一幅圖像有很多個這種特征點，每個特征點又有一個相應(yīng)的描述該特征點的128維的向量，設(shè)想如果一幅圖像有300個這種特征點，那么該幅圖像就有300*vector（128維）個，如果我們數(shù)據(jù)庫中有一百萬張圖片，這個存儲量是相當(dāng)大的，建立索引也很耗時，如果我們對每個向量進(jìn)行PCA處理，將其降維為64維，是不是很節(jié)約存儲空間啊？

一、簡介?

? ? ?? PCA（Principal Components Analysis）即主成分分析，是圖像處理中經(jīng)常用到的降維方法，大家知道，我們在處理有關(guān)數(shù)字圖像處理方面的問題時，比如經(jīng)常用的圖像的查詢問題，在一個幾萬或者幾百萬甚至更大的數(shù)據(jù)庫中查詢一幅相近的圖像。這時，我們通常的方法是對圖像庫中的圖片提取響應(yīng)的特征，如顏色，紋理，sift，surf，vlad等等特征，然后將其保存，建立響應(yīng)的數(shù)據(jù)索引，然后對要查詢的圖像提取相應(yīng)的特征，與數(shù)據(jù)庫中的圖像特征對比，找出與之最近的圖片。這里，如果我們?yōu)榱颂岣卟樵兊臏?zhǔn)確率，通常會提取一些較為復(fù)雜的特征，如sift，surf等，一幅圖像有很多個這種特征點，每個特征點又有一個相應(yīng)的描述該特征點的128維的向量，設(shè)想如果一幅圖像有300個這種特征點，那么該幅圖像就有300*vector（128維）個，如果我們數(shù)據(jù)庫中有一百萬張圖片，這個存儲量是相當(dāng)大的，建立索引也很耗時，如果我們對每個向量進(jìn)行PCA處理，將其降維為64維，是不是很節(jié)約存儲空間啊？對于學(xué)習(xí)圖像處理的人來說，都知道PCA是降維的，但是，很多人不知道具體的原理，為此，我寫這篇文章，來詳細(xì)闡述一下PCA及其具體計算過程：

二、PCA詳解

1、原始數(shù)據(jù)：

為了方便，我們假定數(shù)據(jù)是二維的，借助網(wǎng)絡(luò)上的一組數(shù)據(jù)，如下：

x=[2.5, 0.5, 2.2, 1.9, 3.1, 2.3, 2, 1, 1.5, 1.1]T
y=[2.4, 0.7, 2.9, 2.2, 3.0, 2.7, 1.6, 1.1, 1.6, 0.9]T

2、計算協(xié)方差矩陣

什么是協(xié)方差矩陣？相信看這篇文章的人都學(xué)過數(shù)理統(tǒng)計，一些基本的常識都知道，但是，也許你很長時間不看了，都忘差不多了，為了方便大家更好的理解，這里先簡單的回顧一下數(shù)理統(tǒng)計的相關(guān)知識，當(dāng)然如果你知道協(xié)方差矩陣的求法你可以跳過這里。

（1）協(xié)方差矩陣：

首先我們給你一個含有n個樣本的集合，依次給出數(shù)理統(tǒng)計中的一些相關(guān)概念：

均值：
標(biāo)準(zhǔn)差：
方差：

既然我們都有這么多描述數(shù)據(jù)之間關(guān)系的統(tǒng)計量，為什么我們還要用協(xié)方差呢？我們應(yīng)該注意到，標(biāo)準(zhǔn)差和方差一般是用來描述一維數(shù)據(jù)的，但現(xiàn)實生活我們常常遇到含有多維數(shù)據(jù)的數(shù)據(jù)集，最簡單的大家上學(xué)時免不了要統(tǒng)計多個學(xué)科的考試成績。面對這樣的數(shù)據(jù)集，我們當(dāng)然可以按照每一維獨(dú)立的計算其方差，但是通常我們還想了解這幾科成績之間的關(guān)系，這時，我們就要用協(xié)方差，協(xié)方差就是一種用來度量兩個隨機(jī)變量關(guān)系的統(tǒng)計量，其定義為：

從協(xié)方差的定義上我們也可以看出一些顯而易見的性質(zhì)，如：

(X的方差)

需要注意的是，協(xié)方差也只能處理二維問題，那維數(shù)多了自然就需要計算多個協(xié)方差，比如n維的數(shù)據(jù)集就需要計算個協(xié)方差，那自然而然的我們會想到使用矩陣來組織這些數(shù)據(jù)。給出協(xié)方差矩陣的定義：

這個定義還是很容易理解的，我們可以舉一個簡單的三維的例子，假設(shè)數(shù)據(jù)集有三個維度，則協(xié)方差矩陣為

可見，協(xié)方差矩陣是一個對稱的矩陣，而且對角線是各個維度上的方差。

（2）協(xié)方差矩陣的求法：

協(xié)方差矩陣計算的是不同維度之間的協(xié)方差，而不是不同樣本之間的。下面我們將在matlab中用一個例子進(jìn)行詳細(xì)說明：

首先，隨機(jī)產(chǎn)生一個10*3維的整數(shù)矩陣作為樣本集，10為樣本的個數(shù)，3為樣本的維數(shù)。
MySample = fix(rand(10,3)*50)

根據(jù)公式，計算協(xié)方差需要計算均值，那是按行計算均值還是按列呢，我一開始就老是困擾這個問題。前面我們也特別強(qiáng)調(diào)了，協(xié)方差矩陣是計算不同維度間的協(xié)方差，要時刻牢記這一點。樣本矩陣的每行是一個樣本，每列為一個維度，所以我們要按列計算均值。為了描述方便，我們先將三個維度的數(shù)據(jù)分別賦值：

dim1 = MySample(:,1);
dim2 = MySample(:,2);
dim3 = MySample(:,3);

計算dim1與dim2，dim1與dim3，dim2與dim3的協(xié)方差：

sum( (dim1-mean(dim1)) .* (dim2-mean(dim2)) ) / ( size(MySample,1)-1 ) % 得到? 74.5333
sum( (dim1-mean(dim1)) .* (dim3-mean(dim3)) ) / ( size(MySample,1)-1 )?% 得到? -10.0889
sum( (dim2-mean(dim2)) .* (dim3-mean(dim3)) ) / ( size(MySample,1)-1 )?% 得到? -10***000

搞清楚了這個后面就容易多了，協(xié)方差矩陣的對角線就是各個維度上的方差，下面我們依次計算：

std(dim1)^2 % 得到 ? 108.3222
std(dim2)^2?% 得到 ? 260.6222
std(dim3)^2?% 得到? 94.1778

這樣，我們就得到了計算協(xié)方差矩陣所需要的所有數(shù)據(jù)，調(diào)用Matlab自帶的cov函數(shù)進(jìn)行驗證：

cov(MySample)

可以看到跟我們計算的結(jié)果是一樣的，說明我們的計算是正確的。但是通常我們不用這種方法，而是用下面簡化的方法進(jìn)行計算：

先讓樣本矩陣中心化，即每一維度減去該維度的均值，然后直接用新的到的樣本矩陣乘上它的轉(zhuǎn)置，然后除以(N-1)即可。其實這種方法也是由前面的公式通道而來，只不過理解起來不是很直觀而已。大家可以自己寫個小的矩陣看一下就明白了。其Matlab代碼實現(xiàn)如下：

X = MySample – repmat(mean(MySample),10,1);??? % 中心化樣本矩陣
C = (X’*X)./(size(X,1)-1)

（為方便對matlab不太明白的人，小小說明一下各個函數(shù)，同樣，對matlab有一定基礎(chǔ)的人直接跳過：

B = repmat(A,m,n )?%%將矩陣 A 復(fù)制 m×n 塊，即把 A 作為 B 的元素，B 由 m×n 個 A 平鋪而成。B 的維數(shù)是 [size(A,1)*m, (size(A,2)*n]?

B = mean(A)的說明：

如果你有這樣一個矩陣：A = [1 2 3; 3 3 6; 4 6 8; 4 7 7];
用mean(A)（默認(rèn)dim=1）就會求每一列的均值
ans =
??? 3.0000??? 4.5000??? 6.0000
用mean(A,2)就會求每一行的均值?
ans =
??? 2.0000
??? 4.0000
??? 6.0000

? ?6.0000

size(A,n)%%?如果在size函數(shù)的輸入?yún)?shù)中再添加一項n，并用1或2為n賦值，則 size將返回矩陣的行數(shù)或列數(shù)。其中r=size(A,1)該語句返回的是矩陣A的行數(shù)， c=size(A,2) 該語句返回的是矩陣A的列數(shù)）

上面我們簡單說了一下協(xié)方差矩陣及其求法，言歸正傳，我們用上面簡化求法，求出樣本的協(xié)方差矩陣為：

? ? ? ? ? ? ? ? ? ? ??

3、計算協(xié)方差矩陣的特征向量和特征值

因為協(xié)方差矩陣為方陣，我們可以計算它的特征向量和特征值，如下：

[eigenvectors,eigenvalues] = eig(cov)

我們可以看到這些矢量都是單位矢量，也就是它們的長度為1，這對PCA來說是很重要的。

4、選擇成分組成模式矢量

求出協(xié)方差矩陣的特征值及特征向量之后，按照特征值由大到小進(jìn)行排列，這將給出成分的重要性級別。現(xiàn)在，如果你喜歡，可以忽略那些重要性很小的成分，當(dāng)然這會丟失一些信息，但是如果對應(yīng)的特征值很小，你不會丟失很多信息。如果你已經(jīng)忽略了一些成分，那么最后的數(shù)據(jù)集將有更少的維數(shù)，精確地說，如果你的原始數(shù)據(jù)是n維的，你選擇了前p個主要成分，那么你現(xiàn)在的數(shù)據(jù)將僅有p維。現(xiàn)在我們要做的是組成一個模式矢量，這只是幾個矢量組成的矩陣的一個有意思的名字而已，它由你保持的所有特征矢量構(gòu)成，每一個特征矢量是這個矩陣的一列。

對于我們的數(shù)據(jù)集，因為有兩個特征矢量，因此我們有兩個選擇。我們可以用兩個特征矢量組成模式矢量：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

我們也可以忽略其中較小特征值的一個特征矢量，從而得到如下模式矢量：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

5、得到降維后的數(shù)據(jù)

??

其中rowFeatureVector是由模式矢量作為列組成的矩陣的轉(zhuǎn)置，因此它的行就是原來的模式矢量，而且對應(yīng)最大特征值的特征矢量在該矩陣的最上一行。rowdataAdjust是每一維數(shù)據(jù)減去均值后，所組成矩陣的轉(zhuǎn)置，即數(shù)據(jù)項目在每一列中，每一行是一維，對我們的樣本來說即是，第一行為x維上數(shù)據(jù)，第二行為y維上的數(shù)據(jù)。FinalData是最后得到的數(shù)據(jù)，數(shù)據(jù)項目在它的列中，維數(shù)沿著行。

這將給我們什么結(jié)果呢？這將僅僅給出我們選擇的數(shù)據(jù)。我們的原始數(shù)據(jù)有兩個軸（x和y），所以我們的原始數(shù)據(jù)按這兩個軸分布。我們可以按任何兩個我們喜歡的軸表示我們的數(shù)據(jù)。如果這些軸是正交的，這種表達(dá)將是最有效的，這就是特征矢量總是正交的重要性。我們已經(jīng)將我們的數(shù)據(jù)從原來的xy軸表達(dá)變換為現(xiàn)在的單個特征矢量表達(dá)。

（說明：如果要恢復(fù)原始數(shù)據(jù)，只需逆過程計算即可，即：

）

到此為止，相信你已經(jīng)掌握了PCA及其原理了

總結(jié)

以上是生活随笔為你收集整理的PCA （主成分分析）详解 （写给初学者）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。