opencv - 线性判别分析和主成分分析的主要区别是什么

Question

“作为 Eigenfaces 方法核心的主成分分析 (PCA) 找到了特征的线性组合，使数据的总方差最大化。虽然这显然是一种表示数据的强大方法，但它并不考虑任何类别，因此在丢弃组件时可能会丢失很多判别信息。” (打开简历)

这里的“CLASSES”是什么意思？？？？

"线性判别分析最大化类间与类内散布的比率​​，而不是最大化整体散布。这个想法很简单:相同的类应该紧密地聚集在一起，而不同的类在低维表示中尽可能远离彼此。

这里还有 CLASSES 是什么意思？？？？

有人可以在图像处理 View 中解释一下吗？

Answer 1

这些上下文中的类表示组或分类。就像“面孔”或“字母”一样，具有一组几何属性的事物可以通过某种程度的普遍性来识别。 PCA 试图通过自己对图像中的对象进行分类，而 LDS 试图通过考虑它们附近有多少相同的事物来对事物进行分类。

一个例子可能是球“Wilson”的图片。就其本身而言，它看起来不太像一张脸，PCA 会认为它是一张脸的可能性很低，但如果图片旁边有汤姆汉克斯，则 LDS 方法会将汤姆汉克斯归类为有脸并导致威尔逊也更有可能是一张脸。从这个人为的示例中可以看出，根据您要实现的目标(以及您的数据有多好)，每种方法都有其优点和缺点。