我想为数据集计算一般PCA矩阵，我将使用它来减少筛选描述符的维度。我已经找到了一些算法来计算它，但我找不到使用MATLAB计算它的方法。
有人能帮助我吗？
答案 0 :(得分：1)
如果您可以访问Statistics Toolbox，则可以使用命令princomp，或者在最新版本中使用命令pca。
答案 1 :(得分：1)
[coeff, score] = princomp(X)
是正确的做法，但知道如何使用它有点棘手。
我的理解是你做了类似的事情：
sift_image = sift_fun(img)
它给你一个二进制图像：sift_feature？ （即使不是二进制，这仍然有效。）
输入，制定X：
使用princomp / pca制定X，以便每列都是numel(sift_image) x 1向量
（即sift_image(:)）
对所有图像执行此操作，并将其排列为X中的列。
因此X将为numel(sift_image) x num_images。
如果您的图像尺寸不同（例如像素尺寸不同，图像中的场景或多或少），那么您需要将它们带入一些公共空间，这是一个完全不同的问题。
除非你的东西是二进制的，否则你可能想要在列方向（即规范化每个单独的图像）和行方向（取决于整个数据集）中对X进行去均值/归一化。
输出
score是一组特征向量：它将是num_pixels * num_images。
为了得到第一个特征向量回到图像形状，请执行：
first_component = reshape(score(:,1),size(im));
等等其他组件。输入图像的组件数量与之相同。
coeff的每一行是num_images（等于num_components）权重集，可用于生成每个输入图像。即
input_image_1 = reshape(score * coeff(:,1) , size(original_im));
其中input_image_1是正确的原始形状
coeff（1，:)是一个向量（num_images x 1）
得分是像素x num_images
（免责声明：我可能会将列/行混合在一起，但描述是正确的。）
这有帮助吗？