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(jié)果卻和MatLab不一致，經(jīng)排查發(fā)現(xiàn)在進(jìn)行調(diào)用兩者內(nèi)部函數(shù)eig進(jìn)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(jié)果卻反差很大呢？感覺上來看，好像是Python的不準(zhǔn)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 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)# 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(zhuǎn)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(xié)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(qū)別，eigh返回結(jié)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(jié)果顯示：

?

原始數(shù)據(jù)顯示

PCA主成分分析結(jié)果輸出

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

轉(zhuǎn)載于:https://www.cnblogs.com/leonwen/p/5158947.html

總結(jié)

以上是生活随笔為你收集整理的Python遥感数据主成分分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。