任务目的：
知道图像的表示以及读取方法
了解图像的特征
对图像特征进行降维
一、图像的读取及表示
图像要进行处理才能进行模型输入。
python自带的库将图像存在矩阵或者张量里面。
图像由像素组成，一个像素点一般油RGB三维数组构成。
二、图像的特征
图像的识别should环境因素约束。
常见的图像颜色特征有：SIFT尺度不变特征变换 和 HOG方向梯度直方图
颜色特征就是对RGB做一个统计，统计有各颜色的分布百分比。
前者具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角依然能够很好地识别。
后者通过计算和统计图像局部区域的梯度方向直方图来构建特征。
两者的详细说明参照：https://blog.csdn.net/taigw/article/details/42206311
https://blog.csdn.net/zouxy09/article/details/7929348
三、对图片特征的降维
一种常用的降维工具——PCA(Principal Component Analysis)， 它是一种无监督的学习方法，可以把高维的向量映射到低维的空间里。
核心思路：对数据做线性的变换，然后在空间里选择信息量最大的Top K维度作为新的特征值。
具体目标：将原来n为的数据映射到k维上，这k维又叫做主成分。具体映射方法的选择要和原始数据密切相关。
从数据上来说就是原来的特征矩阵是N*M的，要求左乘或者右乘一个系数矩阵，使得原来矩阵的行数或者列数达到改变，那个系数矩阵怎么构造就是这个算法的关键。
参考：https://blog.csdn.net/program_developer/article/details/80632779（主成分分析）
总结：
这个任务学得太抽象了，没有学到底层，只学了很多概念。
之后再完善此博客，任务是了解SIFT和HOG的底层和PCA的底层，也就是看那几篇博客(●'◡'●)。