标签：
因项目上需要用到特征提取算法，突然想起早些时候看吴军的数学之美里有讲到SVD分解，当时就大致浏览了下，今天在这里用图像作为例子加深下印象，显示下svd特征提取、降维效果。
奇异值分解（Singular Value Decomposition）定理：设A为m*n阶复矩阵，则存在m阶酉阵U和n阶酉阵V，使得：
A = U*S*V’
其中S=diag(σi,σ2,……,σr)，σi>0 (i=1,…,r)，r=rank(A)。
推论：设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵V，使得
A = U*S*V’
其中S=diag(σi,σ2,……,σr)，σi>0 (i=1,…,r)，r=rank(A)。
算法流程：
1. 读取图像：
2. 对图像进行svd分解，得到svd分解对应的图像
其中，上图第三幅代表分解后的特征值（这里用直方图显示其结果值），从图中可以看出，特征值从大到小依次排列，特征值分解可以用在主成分分析（PCA）中，可以利用分解的矩阵恢复或者近似原图像。比如，取前10特征值时恢复如下：
取前20个特征时时恢复如下：
取前40个特征时时恢复如下：
参考文献：吴军--数学之美
奇异值分解(SVD) --- 几何意义 http://blog.chinaunix.net/uid-20761674-id-4040274.html
标签：
原文地址：http://www.cnblogs.com/whowhoha/p/5976632.html
