學習影象處理，無疑會涉及到降維的操作，而PCA是常用的降維演算法，既然經常用到，所以需要摳明白才行啊~~

      PCA（PrincipalComponents Analysis）即主成分分析，是影象處理中經常用到的降維方法，大家知道，我們在處理有關數字影象處理方面的問題時，比如經常用的影象的查詢問題，在一個幾萬或者幾百萬甚至更大的資料庫中查詢一幅相近的影象。

    這時，我們通常的方法是對影象庫中的圖片提取響應的特徵，如顏色，紋理，sift，surf，vlad等特徵，然後將其儲存，建立響應的資料索引，然後對要查詢的影象提取相應的特徵，與資料庫中的影象特徵對比，找出與之最近的圖片。

    這裡，如果我們為了提高查詢的準確率，通常會提取一些較為複雜的特徵，如sift，surf等，一幅影象有很多個這種特徵點，每個特徵點又有一個相應的描述該特徵點的128維的向量，設想如果一幅影象有300個這種特徵點，那麼該幅影象就有300*vector（128維）個，如果我們資料庫中有一百萬張圖片，這個儲存量是相當大的，建立索引也很耗時，如果我們對每個向量進行PCA處理，將其降維為64維，是不是很節約儲存空間啊？

    發現一篇對PCA的原理介紹很詳細易懂的文章，附上鍊接供需要者檢視，戳~~ ↓↓↓↓↓