本文主要是介绍视频图像的MATLAB处理（2）两种主成分分析方法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
主成分分析PCA核心在于特征向量的提取，主要步骤为：
1，读取训练图像数据样本，设图像为n1*n2，样本数为m，通过将每幅图像reshape为(n1*n2,1)的列向量，从而形成样本矩阵Data的阶数为(n1*n2,n)，计算均值图像M，并标准化化；
2.1 基于协方差矩阵的特征向量提取：
2.1.1 设定矩阵C=Data*Data'，L=Data'*Data；首先计算L的特征值和特征向量；将L的特征值D和特征向量V按照特征值的降序排列，并根据需要删除小于一定阈值的特征值及其特征向量；
2.1.2 通过Data*V(:,i)/sqrt(D(i))计算C的特征向量U，并标准化；
2.2 基于奇异值分解SVD的特征向量提取
[U,D,V] = svd(Data,0)，其中U为特征向量，D为特征值；
3，reshape矩阵C的各个特征向量为(n1*n2)，则这些矩阵即为特征图像；
4，重构图像：将待重构图像N标准化后减去均值图像M，并映射到各个特征图像上去，映射是通过点积dot来完成的，映射的结果是N在各个特征图像上的权值W，重构的图像即为 M+U*W；而新的图像与各个原本图像的欧氏距离就是对应权值向量的欧氏距离。
http://blog.sina.com.cn/s/blog_53adc91f0100bxce.html这篇关于视频图像的MATLAB处理（2）两种主成分分析方法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
