PCA降维前必须中心化，否则主成分偏移导致重构失真；图像需reshape为(n_samples,n_features)并转float型，按通道或整体做中心化，依据累计方差比选主成分，去噪需置零末尾分量而非简单截断，OpenCV与sklearn中心化和重构逻辑不同。
PCA降维前必须中心化，否则结果全错
PCA本质是找数据方差最大的方向，而方差计算依赖均值。如果你跳过 StandardScaler 或手动减均值，np.mean() 没对齐 axis，得到的主成分会严重偏移——图像上表现为重构后整体发灰、边缘模糊，甚至出现诡异色块。
- 图像数据（如
numpy.ndarray形状为(h, w, 3)）必须先 reshape 成(n_samples, n_features)，再对n_features维度做中心化 - 别用
sklearn.decomposition.PCA的whiten=False默认值就以为“不用标准化”——它只控制是否白化，不负责中心化；PCA内部虽默认调用np.mean(axis=0)，但前提是输入已按样本×特征排布，且 dtype 是浮点型 - 常见翻车：读入
uint8图像直接丢进 PCA → 计算溢出或截断，必须转astype(np.float64)
图像压缩时，保留多少主成分不是看“数量”，而是看累计方差比
对一张 100×100 的灰度图，拉平成 10000 维，你设 n_components=50，看似压缩率 99.5%，但实际可能只保留了 60% 的能量——人眼能明显看出块状失真。真正该盯的是 pca.explained_variance_ratio_.cumsum() 返回的数组。
- 用
np.argmax(cumsum >= 0.95)找到覆盖 95% 方差的最小维度，比硬写数字靠谱得多 - 彩色图要对每个通道单独中心化+PCA，或把
(h,w,3)reshape 成(h*w, 3)后当 3 维特征处理（后者更常用，适合保留色彩结构） -
fit_transform()和transform()必须用同一套pca实例，否则测试图重建会错位——这点在批量处理多张图时极易忽略
PCA去噪的关键在于“截断小特征值”，不是简单降维
图像噪声主要贡献在高频、低方差方向，对应 PCA 后靠后的主成分。所以去噪不是选前 k 个分量完事，而是把后 20%~30% 的 components_ 置零，再用完整基底重建——这和压缩的逻辑相反：压缩要扔掉信息，去噪要保留结构、抑制扰动。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 代码上就是：
X_proj = X_centered @ pca.components_[:k].T（压缩），而去噪是：X_denoised = X_centered @ (pca.components_.T * mask)，其中mask是布尔数组，只保留前 k 个为True - 如果用
inverse_transform()，记得先fit()在干净数据上（比如从同一场景取无噪 patch 训练 PCA），否则模型本身就被噪声污染了 - 对运动模糊/高斯混合噪声，PCA 效果有限；它最适合处理平稳、全局性的加性噪声（如传感器热噪）
OpenCV 和 scikit-learn 的 PCA 接口行为差异很大
OpenCV 的 cv2.PCACompute() 默认返回的是“原始数据减均值后的投影”，而 scikit-learn 的 transform() 返回的是“在主成分空间里的坐标”。两者数学等价，但 API 设计导致容易混淆维度和符号。
-
cv2.PCACompute(data, mean=None)中data必须是float32，且 shape 是(n_samples, n_features)；返回的eigenvectors是行向量堆叠（每行一个主成分），而 sklearn 的components_是列向量堆叠（每列一个） - OpenCV 不自动中心化，
mean参数必须显式传入；sklearn 则在fit()时内部计算并缓存mean_ - 重构图像时，OpenCV 要写：
recon = mean + projected @ eigenvectors.T；sklearn 可直接用inverse_transform()，但注意它只对transform()输出有效
事情说清了就结束。PCA 看似简单，但图像场景下中心化方式、维度顺序、dtype、重构路径四者只要错一个，结果就不可逆——尤其在 pipeline 里嵌了 resize、归一化、batch 处理之后，bug 往往藏在最不起眼的 reshape 那一行。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
