降维是通过单幅图像数据的高维化，对单幅图像转化为高维空间中的数据集合进行的一种操作。

运用

通过单幅图像数据的高维化，将单幅图像转化为高维空间中的数据集合，对其进行非线性降维，寻求其高维数据流形本征结构的一维表示向量，将其作为图像数据的特征表达向量。从而将高维图像识别问题转化为特征表达向量的识别问题，大大降低了计算的复杂程度，减少了冗余信息所造成的识别误差，提高了识别的精度。通过指纹图像的实例说明，将非线性降维方法(如Laplacian Eigenmap方法)应用于图像数据识别问题，在实际中是可行的，在计算上是简单的，可大大改善常用方法(如K-近邻方法)的效能，获得更好的识别效果。此外，该方法对于图像数据是否配准是不敏感的，可对不同大小的图像进行识别，这大大简化了识别的过程。

分类

降维方法

降维方法分为线性和非线性降维，非线性降维又分为基于核心函数和基于特征值的方法。

1、线性降维方法：pca 、ICA LDA、LFA、LPP(LE的线性表示)

2、非线性降维方法：

（1）基于核函数的非线性降维方法：KPCA 、KICA、KDA

（2）基于特征值的非线性降维方法（流型学习）：ISOMAP、LLE、LE、LPP、LTSA、MVU

方法介绍

1、LLE（Locally Linear Embedding）算法（局部线性嵌入）：

每一个数据点都可以由其近邻点的线性加权组合构造得到。

算法的主要步骤分为三步：

（1）寻找每个样本点的k个近邻点（k是一个预先给定的值）；

（2）由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；

（3）由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，定义一个误差函数。