好久没有更新Blog。这其实是上学期的一个作业，写完了之后一直存放草稿里，看到了微软识花出来之后，突然发现我还写过这个东西。
这是一个非常简单的程序，上传图片，然后识别，由于“作业”关系，其实只能识别15种植物，准确率是70-80%，这与算法有关，当然也和训练集有很大的关系。
1. 目的
利用PCA识别花卉，以及iOS上的应用。
了解PCA算法原理，并应用到花卉识别中。编写一个App，连接服务器，当用户选择了一张花卉照片时，上传照片到服务器，进行识别，最后返回相应的结果到本地进行显示。
2. 环境
Python 2.7.11, Swift 2.2
3. 原理
实验主要利用PCA算法进行识别花卉识别.
PCA（Principal Component Analysis），主成分分析，是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
利用起识别图片的基本思想是用一组图片进行训练：利用PCA提取出图片的主成分，即为特征值。在对新的图片进行识别时，也提取其特征值进行比较距离（欧几里得距离），距离最近的目标，就是识别出的对象。
简单原理叙述叙述如下：
样本X和样本Y的协方差(Covariance)：
协方差为正时说明X和Y是正相关关系，协方差为负时X和Y是负相关关系，协方差为0时X和Y相互独立。
Cov(X,X)就是X的方差(Variance).
当样本是n维数据时，它们的协方差实际上是协方差矩阵（对称方阵），方阵的边长是。比如对于3维数据(x,y,z)，计算它的协方差就是：
若，则称是A的特征值，X是对应的特征向量。实际上可以这样理解：矩阵A作用在它的特征向量X上，仅仅使得X的长度发生了变化，缩放比例就是相应的特征值。
当A是n阶可逆矩阵时，A与P-1Ap相似，相似矩阵具有相同的特征值。
特别地，当A是对称矩阵时，A的奇异值等于A的特征值，存在正交矩阵Q（Q-1=QT），使得：
对A进行奇异值分解就能求出所有特征值和Q矩阵。
D是由特征值组成的对角矩阵
由特征值和特征向量的定义知，Q的列向量就是A的特征向量。
4. 效果图
选择图片并点击“Predict”，如下图点击了“杜鹃”的“Predict”
作业留念