读研一个月，混混沌沌的感觉，慢慢的对我的研究方向有了点认识，无奈时间太紧，学艺又不精，于是到如今对一些核心的东西理解得还是不够深入，师兄说要善于总结，我觉得也是，于是趁这个时间写几个算法的总结，其中错误，还请各位看客多多指教。
特征提取算法一：主成分分析法（PCA）
PCA是通过线性变换寻找一组最优的标准正交向量基，用其线性组合来重建原始样本，并通过重构误差在均方意义下最小。PCA就是寻找一组正交投影构成投影矩阵，将样本图像经过投影矩阵变换后得到新变量。以最小化重建样本的均方误差。变换后得到的变量称为主成分变量，也可以将其展成相同尺寸的图像，称为特征图像。主成分变量从全局的角度刻画了原始数据的变化程度，即特征图像可以用来表征原始训练图像的全局特征。
特征提取算法二：尺度不变特征转换算法（SIFT）
SIFT算法运用图像的关键点，通过提取关键点来表示图像的局部信息，可以减少存储整幅图像所需要的存储量。SIFT算法是就业尺度空间的对图像缩放、旋转和仿射变换保持不变性的关键点提取算法。图像的尺度空间L可以用图像高斯金字塔来表示。高斯金字塔是一个图像序列结构的表征模型，共有n级，每级有m层。每一级的第一层都由其上一级的最上一层重采样得到，同级金字塔的各层图像之间的尺度因子相差k倍。SIFT算子用尺度归一化拉普拉斯韩式的近似函数----差分高斯函数来提取图像稳定的关键点。在高斯金字塔的基础上形成差分高斯金字塔，即层数相邻的图像相减，然后再高斯金字塔上寻找局部极值点。局部极值点包含两层含义，一是图像空间极值，二是尺度空间极值。