PCA降維實驗代碼

實驗須要提取數據的空間信息，因此要對光譜進行降維，使用主成分分析算法，樣例代碼備份以下

# -*- coding: utf-8 -*-
"""
Created on Mon Feb 18 10:35:43 2019

@author: admin
"""

import numpy as np
from scipy.io import loadmat
#import spectral
from sklearn.decomposition import PCA

input_hsi = loadmat('dataset/huston/houston15.mat')['data']
input_lidar=loadmat('dataset/huston/houston_Lidar15.mat')['data']
train_label = loadmat('dataset/huston/houston15_mask_train.mat')['mask_train']
test_label=loadmat('dataset/huston/houston15_mask_test.mat')['mask_test']

#高光譜降維處理
array_x1=input_hsi.reshape(np.prod(input_hsi.shape[:2]),np.prod(input_hsi.shape[2:]))
pca=PCA(n_components=30)
array_x2=pca.fit_transform(array_x1)
print(array_x2.shape)
pca_hsi=array_x2.reshape(input_hsi.shape[0],input_hsi.shape[1],array_x2.shape[1])


print('hsi shape:',input_hsi.shape)
print('pca hsi shape:',pca_hsi.shape)
print('lidar shape:',input_lidar.shape)

　　實驗數據是houston高光譜數據和lidar數據，數據的原始維度和降維後的維度以下圖所示

　在進行pac降維以前須要先對實驗reshape，由於pca只支持二維數據降維，將前兩維（平面）reshape成列向量就變成了（664845，30），降維結束後再reshape回去，注意reshape時候第三個維度已經不是原來的144維了，因此在reshape回去時這樣寫是會報錯的。input_hsi.shape[2]是原始數據的第三個維度爲144，正確數值是30，即降維以後的維度，也就是array_x2.shape[1]

array_x3=array_x2.reshape(input_hsi.shape[0],input_hsi.shape[1],input_hsi.shape[2])