我有一组图像（N约为200），其中每个图像由148x149矩阵形成，因此我将每个图像重塑为148 * 149尺寸的一维矢量。 因此，我有一个矩阵X = [148 * 149 200]，其中每一列都包含一个图像。均值（X）已经为0。
当尝试使用PCA进行尺寸缩减时，我对功能是什么感到困惑。
如果我这样做：
[~, pca_scores, ~, ~, var_explained] = pca(set, 'NumComponents', 2);
pca_scores的大小为[148 * 149 2]
如果我现在转换到新的空间：
Z = pca_scores'*X;
产生Z [2x250]。这意味着现在每个图像仅由前两个主要成分表示。
如果我必须变回原状：
X_estimate = pca_scores*Z;
现在X_estimate是大小[148 * 149 250]，作为原始空间。
我不明白的是，我在使用图像时所读取的特征不是像素而是样本数（N）。
图像中特征面和特征向量的概念是否相同？还是在这种情况下pca应用错误？