（1）应用9×9的窗口对上述图象进行随机抽样，共抽样200块子图象； （2）将所有子图象按列相接变成一个81维的行向量； （3）对所有200个行向量进行KL变换，求出其对应的协方差矩阵的特征向量和特征值，按降序排列特征值以及所对应的特征向量； （4）选择前40个最大特征值所对应的特征向量作为主元，将原图象块向这40个特征向量上投影，所获得的投影系数就是这个子块的特征向量。 （5）求出所有子块的特征向量。

实现用matlab求矩阵最大特征值的特征向量

（1）应用9×9的窗口对上述图象进行随机抽样，共抽样200块子图象； （2）将所有子图象按列相接变成一个81维的行向量； （3）对所有200个行向量进行KL变换，求出其对应的协方差矩阵的特征向量和特征值，按降序排列特征值以及所对应的特征向量； （4）选择前40个最大特征值所对应的特征向量作为主元，将原图象块向这40个特征向量上投影，所获得的投影系数就是这个子块的特征向量。 （5）求出所有子块的特征向量。 -(1) the application of 9 × 9 window

PCA的思想为将图像的协方差矩阵分解，获得分解后的方向向量。然后将数据分别投影到某一个方向上去，获得与原图象近似的图像。当然,与最大特征值所对应的特征向量方向获得最好的图像。因此，PCA方法可以作为降维的一种方法。留下在某些方向较好的图像，而抛弃那些在另外一些方向上不好的图像。-PCA ideas as to decompose the covariance matrix of the image, the direction vector obtained after decompositio

主成分分析PCA源码分析，使用matlab编程，是一种降维方法，通过计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值特征向量，选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中，实现数据特征的降维。