使用PCA，对单图像提取主成分分析，达到图像降维的目的，可以学习如何使用OpenCV实现PCA技术。

最易懂的介绍主成份分析的PPt，从事图形处理，机器学习，数据挖掘和人工智能等方面开发人士必须掌握的知识。

PCA是主成分分析，用于数据降维。

本matlab程序实现了基于PCA的人脸识别，并提供了相应的论文和测试数据集，并给出了测试结果。

PCA pyPCA.py包含三种基于主成分分析（PCA）的方法，用于计算给定地理空间时间序列数据集中的时空变异性的时空模式。 三种方法包括： Empirical Orthogonal Function Analysis (EOFA) Singular Spectrum Analysis (SSA) Nonlinear Laplacian Spectral Analysis (NLSA) 该代码是根据和2.4节中概述的理论构建的。 请参阅随附的Jupyter笔记本中的每种方法的示例。 为了使用这些方法中的每一个，都需要以下Python软件包： NumPy SciPy

主成分分析亦称“主分量分析”或“分量分析”等，它是指将多个相关变量简化为少数几个不相关变量的一种多元统计方法.其目的在于简化统计数据和揭示变量间的关系.每个主成分是初始变量的线性组合，所有主成分间相互正交，所以没有冗余信息.从数学的角度看，主成分分析方法的根本思想在于降维。

PCA是Principal component analysis的缩写，中文翻译为主元分析/主成分分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合。因此应用极其广泛，从神经科学到计算机图形学都有它的用武之地。PCA是Principal component analysis的缩写，中文翻译为主元分析/主成分分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合。因此应用极其广泛，从神经科学到计算机图形学都有它的用武之地。

用java实现的主成分分析算法，用了Jama.Matrix，用的是Jama-1.0.2.jar。代码有备注，希望有帮助。

PCA主成分分析的matlab源码 内容比较详细的

2019年全国研究生数学建模 D题 汽车行驶工况构建