特征向量如何表示特征脸？基于Python Olivetti数据集的PCA相关问题

你拿到的归一化后数值在0.001量级的4096维特征向量，本身就是特征脸的原始数学表示，数值小是归一化的正常结果，不需要担心计算错误，转换为可直观展示的特征脸只需要两步操作：

• 维度重构：直接把长度为4096的特征向量按和你当初把64×64图像展平为一维向量时相同的排列规则（行优先/列优先），reshape为64×64的二维矩阵，这个矩阵就是特征脸的数值矩阵。
  你观察到的数值量级小的原因很简单：向量做了模长为1的归一化，4096个元素的平方和为1，单个元素的平均绝对值必然在1/sqrt(4096) ≈ 0.015量级，如果PCA前做了像素均值中心化，部分正负值抵消后单元素数值还会更小，完全符合你观测到的0.001左右的结果。
• 可视化映射：原始特征向量的数值是相对于训练集均值的权重系数，不是直接的0-255灰度值，要显示为灰度图只需要做线性拉伸：将二维矩阵的最小值映射为0，最大值映射为255，转换为无符号8位整数格式即可。
  对应的Python示例代码如下：

import numpy as np
import matplotlib.pyplot as plt

# eigenvec为你得到的单条归一化PCA特征向量，形状为(4096,)
# 重构为64×64矩阵
eigenface_mat = eigenvec.reshape(64, 64)
# 线性拉伸到0-255灰度范围
eigenface_vis = ((eigenface_mat - eigenface_mat.min()) / 
                 (eigenface_mat.max() - eigenface_mat.min()) * 255).astype(np.uint8)
# 展示特征脸
plt.imshow(eigenface_vis, cmap="gray")
plt.axis("off")
plt.show()

• 补充说明：你使用20个训练样本得到的前10个特征向量，对应的特征脸依次表示训练集中人脸方差最大的前10种灰度分布模式，靠前的特征脸通常呈现整体的人脸明暗轮廓，靠后的特征脸会对应五官、姿态等更细节的差异特征，可视化后可以看到明显的模糊人脸结构。

内容的提问来源于stack exchange，提问作者Daniel