?原文鏈接：http://blog.csdn.net/xl890727/article/details/16898315 在進行圖像的特征提取的過程中，提取的特征維數太多經常會導致特征匹配時過于復雜，消耗系統資源，不得不采用特征降維的方法。所謂特征降維，即采用一個低緯度的特征來表示高緯度。特征降維一般有兩類方法：特征選擇和特征抽取。特征選擇即從高緯度的特征中選擇其中的一個子集來作為新的特征；而特征抽取是指將高緯度的特征經過某個函數映射至低緯度作為新的特征。常用的特征抽取方法就是PCA。下面著重介紹PCA。 PCA原理 Matlab PCA實現 Matlab中已經包含了實現了的PCA算法，可以通過princomp函數調用。其形式為： [COEFF,SCORE, latent]=princomp(X); ?其中，參數的含義如下： 函數應用 上圖為parto生成的圖，當貢獻率累加至95%（當要求不是特別嚴格時，85%以上也可以），以后的維數會不再顯示，在沒有達到95%的情況下，最多也只顯示10維。 所以上述應用最后可以降至2維，即可以只選取SCORE的前兩列來表示原始數據。 函數介紹

總結

以上是生活随笔為你收集整理的PCA原理分析和意义（二）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。