针对图像占用空间大，特征表示时维数较高等的缺点，系统介绍了主成分分析（ PCA ）的基本原理。 提出了利用 PCA 进行图像数据压缩与重建的基本模型。 实验结果表明，利用 PCA 能有效的减少数据的维数，进行特征提取，实现 图像压缩，同时并根据实际需要重建图像。

基于压缩感知的计算关联成像中,散斑设计是高质量图像重构的关键。针对传统散斑生成方法存在冗余高、关联成像质量低的问题,提出了一种基于主成分分析的散斑设计方法。该方法通过线性映射将高维空间中的数据投影到低维空间中,使低维空间上的投影方差最大化。结合图像先验知识,通过样本训练方法得到一组测量矩阵,在低采样率下可提高成像质量。实验结果表明,与传统方法相比,在采样率相同且低于0.5时,本方法可将图像的峰值信噪比提升5 dB,结构相似度提升0.2,为低采样率下获取高质量图像的同类场景提供了新思路。

针对图像占用空间大，特征表示时维数较高等的缺点，系统介绍了主成分分析（PCA）的基本原理。提出了利用PCA进行图像数据压缩与重建的基本模型。实验结果表明，利用PCA能有效的减少数据的维数，进行特征提取，实现图像压缩，同时并根据实际需要重建图像。

针对现有的红外与可见光图像融合算法存在融合图像的对比度与清晰度降低和细节纹理信息丢失等问题,提出将鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)相结合的融合算法。首先对两幅源图像分别进行预增强处理,应用RPCA分解得到相应的稀疏分量和低秩分量;然后对稀疏矩阵利用结构随机矩阵压缩采样,利用高斯梯度-信息反差对比度(GG-DCI)压缩融合,经正交匹配追踪法(OMP)重构;接着对低秩矩阵采用NSCT分解成低频子带和高频子带,低频子带选用区域能量-直觉模糊集(RE-IFS)