K-L變換是離散變換的縮寫，也稱為主成分變換（PCA）。它是多光譜圖像X的線性組合，利用K-L變換矩陣a產(chǎn)生一組新的多光譜圖像y，表達(dá)式如下：y=ax其中X是變換前多光譜空間的像素向量；y是變換前Ho

K-L變換是離散變換的縮寫，也稱為主成分變換（PCA）。它是多光譜圖像X的線性組合，利用K-L變換矩陣a產(chǎn)生一組新的多光譜圖像y，表達(dá)式如下：

y=ax

其中X是變換前多光譜空間的像素向量；

y是變換前Houde主成分空間的像素向量；

A是變換矩陣，是X空間中協(xié)方差矩陣∑X的特征向量矩陣的轉(zhuǎn)置矩陣。

從幾何角度看，變換后的主分量空間坐標(biāo)系相對(duì)于原多光譜空間坐標(biāo)系旋轉(zhuǎn)一個(gè)角度，新坐標(biāo)系的坐標(biāo)軸必須指向數(shù)據(jù)信息量大的方向。就新譜帶的主成分而言，它們包含了不同的信息，并呈現(xiàn)出下降的趨勢(shì)。

建議大家看一下張崢、王艷萍、薛貴祥等主編的《數(shù)字圖像處理與機(jī)器視覺(jué)》第十章

圖像的PCA降維原理？

謝謝邀請(qǐng)。事實(shí)上，科學(xué)沒(méi)有辦法解決這個(gè)問(wèn)題。因?yàn)檫@是科幻小說(shuō)里的東西。事實(shí)上，在科幻三體中，是關(guān)于雙向箔材是如何形成和制造的。沒(méi)有答案。說(shuō)白了，這只是劉慈欣想象出來(lái)的科學(xué)產(chǎn)品。不然為什么叫科幻？科幻小說(shuō)就是這樣。只要具有一定的科學(xué)性，就可以寫出來(lái)，但沒(méi)有必要寫得像科學(xué)論文那樣準(zhǔn)確。只要不是公然違反科學(xué)，基本上可以提出來(lái)。事實(shí)上，在我的科幻小說(shuō)中有很多這樣的情節(jié)（見(jiàn)今年6月出版的《我的昵稱》）。例如，在我的小說(shuō)中，外星人利用反量子糾纏向人類發(fā)射物質(zhì)。什么是反量子糾纏？我的小說(shuō)只解釋了這個(gè)東西是一個(gè)量子的東西，可以隱藏，但它沒(méi)有解釋它的原理。所以這是科幻小說(shuō)。

那么，如果我們用科學(xué)原理來(lái)猜測(cè)雙向箔片是由什么制成的，會(huì)有什么樣的可能性呢？

現(xiàn)在我來(lái)做一些可能的推測(cè)。

1、無(wú)限斥力。

我想這是可能的事情。畢竟，我們知道黑洞的存在。黑洞的特征是它的引力。它能逃脫的力量是無(wú)限的。因此，即使是光也無(wú)法逃逸。這叫做黑洞。黑洞的原理是重力使時(shí)空彎曲。那么我們也可以猜測(cè)，兩相叔叔可能是一個(gè)具有無(wú)限排斥力的東西。也許類似于黑洞的原理，它可以以某種方式坍縮，使其產(chǎn)生無(wú)限的排斥力，即反引力。面對(duì)任何物體都能產(chǎn)生無(wú)限的排斥能，這種排斥力的作用是它能把所有物質(zhì)排斥到二維的程度。畢竟，你認(rèn)為歌手也是一種神級(jí)文明。創(chuàng)造這樣一個(gè)能量無(wú)限的東西并不是不可能的，它會(huì)使三維空間無(wú)限下降，最終到達(dá)二維空間。

2、維度轉(zhuǎn)移

眾所周知，在三體文明中，三體人自己發(fā)現(xiàn)微觀世界有十一個(gè)維度。它們可以將一個(gè)維度擴(kuò)展為兩個(gè)維度，這意味著其他維度要么被它們消除，要么被它們轉(zhuǎn)移。很自然，歌手文明，我們?yōu)槭裁床荒苓@樣做？答案是顯而易見(jiàn)的。

這就是我的答案。我希望我能幫助你。

小說(shuō)《三體》里，外星人用的將三維世界跌向二維世界的二向箔，在原理上最有可能怎么實(shí)現(xiàn)？

K-L變換是離散變換的縮寫，也稱為主成分變換（PCA）。

多光譜圖像X的線性組合，利用K-L變換矩陣a產(chǎn)生一組新的多光譜圖像y，表達(dá)式為：y=ax，其中X為變換前多光譜空間的像素向量；y為變換前霍德主成分空間的像素向量；a是變換矩陣，是X空間協(xié)方差矩陣∑X的特征向量矩陣的轉(zhuǎn)置矩陣，從幾何角度看，變換后的主分量空間坐標(biāo)系相對(duì)于原多光譜空間坐標(biāo)系旋轉(zhuǎn)一個(gè)角度，新坐標(biāo)系的坐標(biāo)軸必須指向數(shù)據(jù)信息量大的方向。就新譜帶的主成分而言，它們包含了不同的信息，并呈現(xiàn)出下降的趨勢(shì)。建議大家看一下張政、王艷萍、薛貴祥等主編的《數(shù)字圖像處理與機(jī)器視覺(jué)》第10章

圖像數(shù)據(jù)降維pca，svd哪個(gè)好？

Python有以下發(fā)展方向：

除了基本的Python編程知識(shí)外，還需要熟悉numpy、pandas、pytables、blaze、dask等基本的python編程知識(shí)，你需要知道HTTP協(xié)議，簡(jiǎn)單的HTML等！除了基本的python編程知識(shí)，還需要熟悉spark等！除了基本的python編程知識(shí)，你還需要熟悉Django，HTTP，RSET，JSON，等等我的拖鞋拍平了，這是降維罷工

你已經(jīng)解釋清楚的過(guò)程，不知道你需要什么幫助。

耶魯數(shù)據(jù)不知道存在哪些功能。如果主成分分析降到二維，這個(gè)特征空間描述是否足以區(qū)分不同的人臉？我從來(lái)沒(méi)有用過(guò)它，只是一個(gè)簡(jiǎn)單的問(wèn)題從來(lái)沒(méi)有用過(guò)。似乎與PCA和LDA有一定關(guān)系。這似乎是一種映射降維。它似乎是一個(gè)非常簡(jiǎn)單的分類器。這樣的分類器效果好不好。（如果你看你的二維特征空間，這似乎不是問(wèn)題。）如果是二維人臉識(shí)別，我們可以先考慮子圖像分割，然后創(chuàng)建子圖像權(quán)重系數(shù)矩，然后子圖像矩陣取高特征值，或者用DCT矩陣取大特征，利用特征值和權(quán)矩生成特征空間。然后利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，得到識(shí)別系統(tǒng)。或者你也可以用BP遺傳算法，學(xué)校使用的ORL數(shù)據(jù)庫(kù)似乎有90分以上的識(shí)別率。