由网友(太过傲年轻就是资本)分享简介：我正在尝试使用OpenCV中的PCA类在我的C++应用程序中执行主成分分析操作。我是OpenCV新手，遇到问题，希望有人能帮上忙。我正在尝试在MatLab和PCA类上使用一个演示示例来检查答案当我使用2*10数据数组和参数(CV_PCA_DATA_AS_COL)时，我在这里有两个维度，所以我希望有两个特征向量，每个特...

我正在尝试使用OpenCV中的PCA类在我的C++应用程序中执行主成分分析操作。我是OpenCV新手，遇到问题，希望有人能帮上忙。

我正在尝试在MatLab和PCA类上使用一个演示示例来检查答案 当我使用2*10数据数组和参数(CV_PCA_DATA_AS_COL)时，我在这里有两个维度，所以我希望有两个特征向量，每个特征向量有两个元素，这与预期的一样工作得很好，结果与MatLab相同。

但在使用10*2个数据数组(通常当样本数小于维数时)时，我得到了(2*10)个向量数组。即：10个特征向量，每个特征向量有2个元素。这是意想不到的，也不是由MatLab给出的结果(MatLab给出了10*10个特征向量矩阵)。

我不知道为什么会有这些结果，因此我无法在我的应用程序中投影主成分数据，有什么帮助吗？

P.S：我使用的代码：

Mat Mean ;
Mat H(10, 2, CV_32F); // then the matrix is filled by data
    PCA pca(H,Mean,CV_PCA_DATA_AS_COL,0) ;
pca.operator()(H,Mean,CV_PCA_DATA_AS_COL,0) ;
    cout<<pca.eigenvectors.rows // gives 2 instead of 10
    cout<<pca.eigenvectors.cols // gives 10 

推荐答案

我这样说：

如果样本数小于数据维度，则保留的组件数将固定在样本数。

我们在大学做了力学科目的3x3主成分分析，一些非线性控制算法也使用了类似的方法-我的记忆力很模糊，但这可能与关于伪逆和非方矩阵的假设有关...

一旦你深入研究这个理论--网络搜索‘样本少于维度的主成分分析’--它很快就会变得一团糟！