常广泛的应用。鉴于PCA本身的局限性，在这些应用中，需要将PCA和其他的方法相互结合。
（5）图像分类
图像的颜色使图像的主要特征之一。我们曾采用PCA和LDA进行了对卫星遥感图像进行分类，首先获得图像的PCA颜色特征子空间，计算图像的LDA颜色特征子空间，将PCA算法和LDA算法的特征空间相融合，将原始卫星图像投影到PCALDA算法的融合颜色特征空间中，进行图像分类。该方法去除了图像的R、G、B间的相关性，去掉了原始图像中大量冗余信息，改善了光照敏感性，在该方法中了采用基于区域分类的空间一致性原则来合并空间信息。实验表明，该方法能高效的描述卫星图像的颜色特征，分类准确度高，详细内容见参考文献11。在文献12中，作者提出一种基于PCA和GMM的图像分类算法。
图像分类会使用分类器，通常使用的分类器有EuclidDista
ce法、MaximumLikelihood法和K均值聚类算法（Kmea
s），前两个属于监督分类法，后者属于非监督分类法，是一种动
f龙源期刊网httpwwwqika
comc
态聚类方法算法。如何选取合适的分类器，并在分类算法中结合图像的其他信息比如的纹理信息来提高分类效果，对图像分类方法深入研究近一步提出基于图像特征的图像检索方法，是基于PCA的图像分类算法需要深入探讨的问题。
（6）图像压缩
PCA的另一个广泛应用是图像压缩。假设有20幅图像，使用PCA方法处理该图像集，将得到20个特征向量，提取其中15个主成分。使用这15个特征向量进行图像复原变换，就得到一个只有15维的数据。数据维数从原来的20降到了15，图像压缩了四分之一。该方法是一种有损压缩，但保持了原始图像中最“重要”的信息，是一种非常重要且有效的方法5。
6结论（Co
clusio
）
主成分分析的应用范围非常广泛，经常和分类、聚类算法及与其他方法连用进行数据处理。其最大优势就是对原有数据进行简化，去除了噪音和冗余，对数据进行降维处理，揭示隐藏在复杂数据背后的简单结构。当然PCA方法也存在一定的不足，为了得到更好的效果，需要对PCA进一步深入研究，结合其他算法对PCA进行改进。相信随着PCA为越来越多的人所认知，该方法会得到更加广泛的应用。
参考文献（Refere
ces）
1MPDubuisso
JollyAGuptaColora
dTextureFusio
：Applicatio
toImageSegme
tatio
a
dGISUpdati
gJImagea
dVisio
Computi
g，2012（18）：823831
2KwittRMeerwaldUhlALightweightdetectio
ofadditivewatermarki
gi
theDWTdomai
JIEEETra
sactio
so
ImageProcessi
g，2013（2）：474484
3LuoMBorsAGPri
cipalCompo
e
tA
alysisofspectralcoefficie
tsfr