# -*- coding: utf-8 -*-
from PIL import Image
from numpy import *
def pca(X):
""" 主成分分析：
输入：矩阵 X ，其中该矩阵中存储训练数据，每一行为一条训练数据
返回：投影矩阵（按照维度的重要性排序）、方差和均值"""
# 获取维数
num_data, dim = X.shape
# 数据中心化
mean_X = X.mean(axis=0)
X = X - mean_X
if dim > num_data:
# PCA- 使用紧致技巧
M = dot(X, X.T) # 协方差矩阵
e, EV = linalg.eigh(M) # 特征值和特征向量
tmp = dot(X.T, EV).T # 这就是紧致技巧
V = tmp[::-1] # 由于最后的特征向量是我们所需要的，所以需要将其逆转
S = sqrt(e)[::-1] # 由于特征值是按照递增顺序排列的，所以需要将其逆转
for i in range(V.shape[1]):
V[:, i] /= S
else:
# PCA- 使用 SVD 方法
U, S, V = linalg.svd(X)
V = V[:num_data] # 仅仅返回前 nun_data 维的数据才合理
# 返回投影矩阵、方差和均值
return V, S, mean_X
from osgeo import gdal
from PIL import Image
from pylab import *
import os
np.seterr( invalid='ignore')
#class GRID:
#读图像文件
filename='C:\Users\rx\PycharmProjects\pca1\before.img'
dataset=gdal.Open(filename) #打开文件
