PCA算法前面在前面的博客中已经有介绍，这里简单在描述一下，更详细的PCA算法请参考我的博客： 机器学习实战ByMatlab（二）PCA算法
PCA 的主要计算步骤
PCA 的另外一种解释是：xrotxrot 是一个 nn 维向量，其中前 kk 个成分可能比较大，而后几个成分可能比较小，PCA 算法做的其实就是丢弃 xrotxrot 后面 n−kn−k 个较小的成分，即将这些成分的值近似为0，然后仅用这前 kk 个成分来定义 kk 维向量 x′x′
还原近似数据
当我们得到降维后的数据 x′x′ , 我们想还原原来的数据，只需要左乘 u 即可，即 x=Uxrotx=Uxrot
选择主成分的个数
关于PCA中主成分的个数 kk 的选择:
我们通常考虑的是不同 kk 值可以保留的方差百分比，具体来说，如果 k=nk=n ,那么我们得到的是对数据的完美近似，也就是保留了100%的方差，即原始数据的所有变化都被保留下来；相反，如果 k=0k=0 ,那等于是使用零向量来逼近输入数据，也就是只有0%的方差被保留下来。
一般而言，设 λ1,λ2,...,λnλ1,λ2,...,λn 表示 ΣΣ 的特征值（由大到小排序，在matlab中可由 svd 函数得到），使得 λjλj 为对应的特征向量 ujuj 的特征值，那么如果我们保留前 kk 个成分，则保留的方差百分比可计算为：
以处理图像数据为例，一个惯常的经验法则是选择 kk 以保留99%的方差，换句话说，我们选取满足以下条件的最小 kk值：
对图像数据应用PCA算法
假设我们的特征为 x1,x2,...,xnx1,x2,...,xn ,对于非图像数据的处理，我们一般要计算每个特征 xjxj 的均值和方差，然后将其取值范围规整化为零均值和单位方差。不过对于大多数自然图像来说，由于其自身的平稳性，图像任一部分的统计性质都应该和其它部分相同，因此我们不用进行方差归一化。
所以对图像进行处理时，步骤如下：
白化
白化其实跟PCA算法还是挺相似的。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：
在PCA算法中，我们对数据进行降旋转 x(i)rot=UTx(i)xrot(i)=UTx(i) 时，已经消除了输入特征 x(i)x(i) 之间的相关性,举个例子：假如我们的二维数据图形化如下：
显然这是一个二维数据分布，其中横轴 x1x1 跟竖轴 x2x2 之前呈现正相关关系，即 x2x2 随着 x1x1 的增大而增大，然后我们将其投影到特征向量上 x(i)rot=UTx(i)xrot(i)=UTx(i) ，得到如下图：
此时 x2x2 已经不随着 x1x1 的增大而增大了，也就是说 x1x1 与 x2x2 消除了相关性。
特征单位方差处理
为了使每个输入特征具有单位方差，我们可以直接使用 1λi√1λi 作为缩放因子来缩放每个特征 xrot,ixrot,i ,具体地，我们定义白化后的数据如下：
此时的 xPCAwhite,ixPCAwhite,i 是数据经过PCA白化后的版本, 其不同的特征之间不相关并且具有单位方差。
ZCA 白化
假如 RR 是任意正交矩阵，即满足 RRT=RTR=IRRT=RTR=I ,那么 RxPCAwhiteRxPCAwhite仍然具有单位协方差。在ZCA白化中，令 R=UR=U。我们定义ZCA白化的结果为：
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 λiλi在数值上接近于0，这样在缩放步骤时我们除以 λ−−√iλi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 ϵϵ :
当 xx 在区间[-1,1]上时, 一般取值为 ϵ≈10−5ϵ≈10−5
对图像来说, 这里加上 ϵϵ，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。
matlab 实例
1.图像加载 12x12 的patch，共10000个，转换为 144x10000的矩阵，即数据是144维
x = sampleIMAGESRAW();- 1
随机显示200个图像块，如下图：
2.零均值化
meanVal = mean(x);
x = bsxfun(@minus,x,meanVal);- 1
- 2
此时 xx 为零均值数据
3.求协方差矩阵，并对协方差矩阵进行奇异值分解，再对数据进行特征向量投影
xRot = zeros(size(x));
[u,d] = svd(x*x'/size(x,2));
xRot = u' * x;- 1
- 2
- 3
4.PCA 检测，计算协方差矩阵
covar = zeros(size(x, 1));
covar = xRot*xRot'/size(xRot,2);- 1
- 2
此时的协方差矩阵为144x144的矩阵，显示为图像如下：
对角线为数据的自相关，也就是方差，值最大，所以颜色最亮，两边为协方差，值比较小，故颜色较暗，这里为蓝色。
5. 寻找能够保留90%方差的最小 kk 值
k = 0;
dVal = diag(d); % 列向量
sumDVal = sum(dVal);
kP = 0;
while kP<0.9
k = k+1;
kP = sum(dVal(1:k)) / sumDVal;
end- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
此时 kk 为43，当设置为保留 99% 的方差时，kk 为116.
6. PCA降维
xHat = zeros(size(x));
xHat = u(:,1:k) * xRot(1:k,:);- 1
- 2
将 144维的数据降维到43维，并用43维数据还原图像如下：
7. PCA白化与规则化
epsilon = 0.1;
xPCAWhite = zeros(size(x));
xPCAWhite = bsxfun(@rdivide,xRot,sqrt((dVal+epsilon)));- 1
- 2
- 3
8. 检测PCA白化是否正确，计算协方差矩阵并显示
covar = xPCAWhite * xPCAWhite' / size(xPCAWhite,2);- 1
白化后的协方差矩阵图像如下：
如果没有进行规则化，也就是我们将 ϵϵ 设置为0，此时白化后的协方差矩阵如下图：
9.ZCA白化
xZCAWhite = zeros(size(x));
xZCAWhite = u*xPCAWhite;- 1
- 2
ZCA白化后图像如下：