对于您的图像数据集，首先通过光栅扫描图像对图像进行矢量化，并使它们成为矢量。因此，说你有$M$图像，每个大小为 64*64 像素。那么每幅图像的总像素数为$N=64^2$， 意思是$N=4096$. 现在，你有一个大小的图像矩阵$M\text{x}N$.

对于这个图像矩阵，你想要做的是找到$M$独立分量，再次，长度$N$. 换句话说，您希望将这组图像分解为另一组图像，除了这些图像构成原始人脸的独立组成部分。（类似于特征面，但不同）。

为了回答您关于混合的问题，您开始使用的一组面孔就是混合。换句话说，假设您拥有的一组面孔是您试图找到的独立面孔的混合体。

ICA 会为你找到那些独立的特征，而对于自然图像，独立的成分会变成具有极高峰度的特征，即边缘。

ICA 的基本思想是将混合物分离成统计上独立的成分。有时这就是问题的结束（例如，解决鸡尾酒会问题）。在人脸识别中，混合分量的权重用于创建一个特征向量，以唯一且简洁地识别一个人。一个显着的区别是您试图估计的不是一种混合物的成分，而是几种（即面）的成分。

这里有一个带有代码的启发性演示。