Answers:
DCT和PCA之间的主要区别（更确切地说，以其相关矩阵的特征向量形成的基础表示一个数据集-也称为Karhunen Loeve变换）是必须针对给定的数据集定义PCA（从中估计相关矩阵），而DCT是“绝对”的，仅由输入大小定义。这使PCA成为“自适应”变换，而DCT与数据无关。
有人可能想知道为什么PCA由于其适应性而不经常在图像或音频压缩中使用。有两个原因：
想象一下，一个编码器计算数据集的PCA并对系数进行编码。为了重建数据集，解码器不仅需要系数本身，而且还需要变换矩阵（它取决于数据，而数据无法访问！）。DCT或任何其他与数据无关的变换在删除输入数据中的统计依赖性方面可能效率较低，但是编码器和解码器都事先知道了变换矩阵，而无需传输它。几乎不需要辅助信息的“足够好”的转换有时比需要附加辅助信息的最佳转换要好。
这些瓷砖的发光度的矩阵。根据此数据计算PCA，并绘制将要估计的主要成分。这是一个很有启发性的实验！大多数高级特征向量实际上很有可能看起来像是DCT基础的调制正弦波模式。这意味着对于足够大且通用的图像图块集，DCT非常适合本征基数。音频也得到了验证，在大量音频记录中估计的梅尔空间频带中对数信号能量的本征基础接近于DCT（因此将DCT用作去相关变换）计算MFCC时）。