Python遙感數據主成分分析

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

 

　　該算法由MatLab移植而來（具體參見上一篇博文）。但是最終輸出結果卻和MatLab不一致，經排查發現在進行調用兩者內部函數eig進行求解特征值和特征向量的時候，兩者特征值都一致，但是特征向量卻不同。

　　可是，從理論上感覺也說得過去，因為特征向量本來就具有不唯一性。最讓人費解的是，就算兩者特征向量不一致，可為什么使用PCA的結果卻反差很大呢？感覺上來看，好像是Python的不准確性更大一點。

　　代碼如下：

# -*- coding: utf-8 -*-
"""
Created on Tue Jan 12 21:45:57 2016

@author: LeonWen
"""

import os

from 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)

# 顯示輸出
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()

# 轉換成樣本總體
X = immatrix.T
# 獲取要本大小
m,n = X.shape[0:2]

# 取得各個樣本均值
meanVal = mean(X,axis = 0)
#tempMean = tile(meanVal,(64800,1))

# 樣本矩陣去中心化
X = X - tile(meanVal,(64800,1))

# 計算協方差
S = dot(X.T,X) / (m - 1)

# 計算特征值eg和特征向量Ev
eg,Ev = linalg.eig(S)
#eg1,Ev1 = linalg.eigh(S) # 這兩種算法存在排序區別，eigh返回結果由小到大

# 計算新的成分
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()

　　結果顯示：

 

原始數據顯示

PCA主成分分析結果輸出

　　可能是我自己的原因吧，正在排查，哪位大神指導還望課指導鄙人一下~先就此謝過~O(∩_∩)O~