1.一种基于实用鲁棒PCA的图像表示方法，其特征在于：包括如下步骤：S1、读取图像数据集，根据像素值建立样本矩阵；

S2、将样本矩阵输入预先构建的目标模型，所述目标模型为基于鲁棒重建误差最小化和鲁棒数据差最大化的联合学习模型，其依据转换矩阵W将数据投影到低维子空间，利用恢复矩阵U来恢复数据，并以L2,p范数作为距离度量；

S3、通过基于改进PCA技术的迭代算法对目标模型进行求解，得到转换矩阵W；

S4、根据转换矩阵W完成图像重建。

2.根据权利要求1所述的基于实用鲁棒PCA的图像表示方法，其特征在于，所述步骤S1包括：读取一幅图像得到其初始像素值矩阵，然后转换成d×1的向量，记为xi，d是初始像素值矩阵中的元素个数，转换后表示维度；

d×n

通过读取图像数据集中的多个图像并转换，得到样本矩阵X＝[x1,x2,...,xn]∈R ，R代表实空间。

3.根据权利要求2所述的基于实用鲁棒PCA的图像表示方法，其特征在于，所述目标模型形式如下：其中xi表示样本数据，W表示转换矩阵，U表示恢复矩阵，n为样本数目。

4.根据权利要求3所述的基于实用鲁棒PCA的图像表示方法，其特征在于，所述步骤S3中迭代算法步骤如下：步骤a：计算第t次迭代的目标函数值

步骤b：计算矩阵 及其对角线元素

步骤c：计算矩阵 及其对角线元素

步骤d：计算矩阵

步骤e：求解W(t+1)＝(2XD(t)XT)-1(2XD(t)XTU(t)+α(t)K(t))；

步骤f：进行奇异值分解SΛPT＝XD(t)XTW(t+1)，S和P分别表示左奇异矩阵和右奇异矩阵；

步骤g：求解U(t+1)＝SPT；

步骤h：设置t＝t+1，返回步骤a；

当满足收敛条件时，输出：W＝W(t+1)。

5.根据权利要求2所述的基于实用鲁棒PCA的图像表示方法，其特征在于，所述步骤S4中根据Y＝WTX再加上去中心化的样本均值重构图像。