逐张计算灰度图PCA所得特征向量恒为[[1]]是否正常

这个表现完全符合预期，不是代码运行错误，是你的PCA使用逻辑从根本上不符合算法的适用场景。

• 你当前的实现是逐张图像单独调用PCA接口，每次传入cv2.PCACompute2的输入矩阵仅包含1个样本（就是当前这张拉平成一维向量的灰度图），矩阵形状为1×N，其中N是图像的总像素数。
• PCA的本质是对多样本构成的数据集做协方差矩阵的特征分解，找到数据方差最大的投影方向。当输入样本数为1时，数据减去均值后所有维度的值都为0，协方差矩阵不存在多个有方差的投影方向，接口对这种边界情况的默认返回就是单位长度的特征向量[[1.]]，没有其他可输出的特征向量。
• 你观察到的“仅特征值具备唯一性”，本质上这个特征值就是单张图像所有像素值减去均值后的总方差，和你直接用np.var(im)计算的像素方差结果完全等价，根本不是PCA降维得到的专属图像特征，只要图像亮度、对比度稍有变化，这个值就会大幅波动，完全不具备特征鲁棒性。

你把PCA当成了单样本特征提取工具，这是完全错误的用法：

1. 初始值in_matrix = None直接做np.vstack本身就属于不规范写法，当前能跑通是numpy对None输入的兼容处理，最终得到的输入矩阵确实只有单张图像的一行数据。
2. 如果要提取文件夹内所有图像的PCA特征，正确流程是先收集所有图像（需统一尺寸）构成完整的样本矩阵，在全量数据集上只跑一次PCA得到通用的投影矩阵，再把每张图像投影到主成分方向上，得到的低维向量才是有效的PCA特征。

import cv2
import numpy as np
import os

# 配置参数
img_folder = "你的图像文件夹路径"
target_img_size = (224, 224)  # 所有图像必须统一尺寸才能构成样本矩阵
pca_component_num = 10  # 保留的主成分数量，按需调整

# 第一步：遍历文件夹构造全量样本矩阵
sample_matrix = []
for file_name in os.listdir(img_folder):
    if file_name.split('.')[-1].lower() not in ['jpg', 'jpeg', 'png', 'bmp']:
        continue
    img = cv2.imread(os.path.join(img_folder, file_name), cv2.IMREAD_GRAYSCALE)
    img = cv2.resize(img, target_img_size)
    img_vec = img.reshape(-1)
    sample_matrix.append(img_vec)
sample_matrix = np.array(sample_matrix, dtype=np.float64)

# 第二步：在全量样本上训练PCA
mean, eig_vec, eig_val = cv2.PCACompute2(
    sample_matrix,
    mean=None,
    maxComponents=pca_component_num
)

# 第三步：逐张图像提取PCA特征
for idx, img_vec in enumerate(sample_matrix):
    # 投影得到对应维度的PCA特征
    pca_feature = (img_vec.reshape(1, -1) - mean) @ eig_vec.T
    print(f"第{idx+1}张图的PCA特征维度：{pca_feature.shape}，特征值：{pca_feature}")

如果你只是需要给每张图提取一个单值特征，直接计算图像像素均值、方差、灰度直方图统计量即可，不需要调用PCA接口，单样本跑PCA得到的结果和直接算方差没有区别，还额外增加了无意义的计算开销。

内容的提问来源于stack exchange，提问作者kskill