實驗需要提取數據的空間信息，所以要對光譜進行降維，使用主成分分析算法，樣例代碼備份如下
# -*- 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后的維度如下圖所示
在進行pac降維之前需要先對實驗reshape，因為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），降維結束后再reshape回去，注意reshape時候第三個維度已經不是原來的144維了，所以在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為144，正確數值是30，即降維之后的維度，也就是array_x2.shape[1]
array_x3=array_x2.reshape(input_hsi.shape[0],input_hsi.shape[1],input_hsi.shape[2])
