Python遥感数据主成分分析

　　原文：http://www.cnblogs.com/leonwen/p/5158947.html

 

　　该算法由MatLab移植而来（具体参见上一篇博文）。但是最终输出结果却和MatLab不一致，经排查发现在进行调用两者内部函数eig进行求解特征值和特征向量的时候，两者特征值都一致，但是特征向量却不同。

　　可是，从理论上感觉也说得过去，因为特征向量本来就具有不唯一性。最让人费解的是，就算两者特征向量不一致，可为什么使用PCA的结果却反差很大呢？感觉上来看，好像是Python的不准确性更大一点。

　　代码如下：

# -*- coding: utf-8 -*- """ Created on Tue Jan 12 21:45:57 2016
@author: LeonWen """import osfrom PIL import Image from numpy import * from pylab import *path = r'D:\Projects\PythonProj\ImageProcessing\2012' sst_dir = os.listdir(path) file_len = len(sst_dir)sst_list = []for i in range(file_len):str = path + '\\' + sst_dir[i]#txt = open(str).read() sst_list.append(str)immatrix = []for im in sst_list:text = loadtxt(im) immatrix.append(text)immatrix = array(immatrix)# 显示输出 figure() gray() for i in range(file_len):subplot(3,4,i + 1)pic = immatrix[i].reshape(180,360)pic = pic[::-1] # picshow = rot90(pic,4) imshow(pic)colorbar()show()# 转换成样本总体 X = immatrix.T # 获取要本大小 m,n = X.shape[0:2]# 取得各个样本均值 meanVal = mean(X,axis = 0) #tempMean = tile(meanVal,(64800,1))# 样本矩阵去中心化 X = X - tile(meanVal,(64800,1))# 计算协方差 S = dot(X.T,X) / (m - 1)# 计算特征值eg和特征向量Ev eg,Ev = linalg.eig(S) #eg1,Ev1 = linalg.eigh(S) # 这两种算法存在排序区别，eigh返回结果由小到大# 计算新的成分 Y = dot(immatrix.T,Ev)figure() gray() for i in range(n):subplot(3,4,i + 1)out = Y[:,i] outpic = out.reshape(180,360)outpic = outpic[::-1] imshow(outpic) colorbar()show()

　　结果显示：

 

原始数据显示

PCA主成分分析结果输出

　　可能是我自己的原因吧，正在排查，哪位大神指导还望课指导鄙人一下~先就此谢过~O(∩_∩)O~

转载于:https://www.cnblogs.com/leonwen/p/5158947.html

总结

以上是生活随笔为你收集整理的Python遥感数据主成分分析的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。