1.将数据进行中心化的原因：
减去均值等同于坐标移动，这样就能把原始数据点的中心移到与原点重合，此举有利于很多表达，比如数据的协方差矩阵可以直接写成X*X'，若没有减去均值，则每两个特征之间都要进行(X-X均值)*（Y-Y均值）运算，再组合成协方差矩阵。
2.将数据除以标准差的原因：
除以标准差是为了统一并消除量纲。一个样本中有多个特征，有些可能表示长度，有些可能表示重量。如果各个特征之间的数值或数量级存在较大差异，就会使得较小的数被淹没，导致主成分偏差较大。所以要将每个特征对应的样本除以标准差，这样才能让他们仅以“数的概念一起比较运算”。
简言之---除以标准差的作用：去掉量纲，将不同量纲的数据拉伸至同一水平。公平比较。
注意两点：
1.标准化与归一化：
上述1，2两步统称为数据的标准化过程----将每个特征(即矩阵的每一列)减去均值并除以标准差。
而数据的归一化仅仅是指除以标准差或类似意思。
2.图像不需要除以标准差，因为他们都是像素值，同量纲同尺度(1~255)，所以只减去均值即可。
PCA的深层次解释：
协方差矩阵和主成分分析
m.blog.csdn.net/article/details
浅谈协方差矩阵
pinkyjie.com/2010/08/31/covariance/
