讀研一個月，混混沌沌的感覺，慢慢的對我的研究方向有了點認識，無奈時間太緊，學藝又不精，於是到如今對一些核心的東西理解得還是不夠深入，師兄說要善於總結，我覺得也是，於是趁這個時間寫幾個演算法的總結，其中錯誤，還請各位看客多多指教。

特徵提取演算法一：主成分分析法（PCA）

        PCA是通過線性變換尋找一組最優的標準正交向量基，用其線性組合來重建原始樣本，並通過重構誤差在均方意義下最小。PCA就是尋找一組正交投影構成投影矩陣，將樣本影象經過投影矩陣變換後得到新變數。以最小化重建樣本的均方誤差。變換後得到的變數稱為主成分變數，也可以將其展成相同尺寸的影象，稱為特徵影象。主成分變數從全域性的角度刻畫了原始資料的變化程度，即特徵影象可以用來表徵原始訓練影象的全域性特徵。

特徵提取演算法二：尺度不變特徵轉換演算法（SIFT）

       SIFT演算法運用影象的關鍵點，通過提取關鍵點來表示影象的區域性資訊，可以減少儲存整幅影象所需要的儲存量。SIFT演算法是就業尺度空間的對影象縮放、旋轉和仿射變換保持不變性的關鍵點提取演算法。影象的尺度空間L可以用影象高斯金字塔來表示。高斯金字塔是一個影象序列結構的表徵模型，共有n級，每級有m層。每一級的第一層都由其上一級的最上一層重取樣得到，同級金字塔的各層影象之間的尺度因子相差k倍。SIFT運算元用尺度歸一化拉普拉斯韓式的近似函式----差分高斯函式來提取影象穩定的關鍵點。在高斯金字塔的基礎上形成差分高斯金字塔，即層數相鄰的影象相減，然後再高斯金字塔上尋找區域性極值點。區域性極值點包含兩層含義，一是影象空間極值，二是尺度空間極值。