Python+gdal实现遥感影像的PCA（主成分分析）

PCA基本步骤：
对数据进行归一化处理（直接减去均值）
计算归一化后的数据集的协方差矩阵
计算协方差矩阵的特征值和特征向量
保留最重要的k个特征（通常k要小于n），也可以自己制定，也可以选择一个阈值，然后通过前k个特征值之和减去后面n-k个特征值之和大于这个阈值，则选择这个k
找出k个特征值对应的特征向量
将m * n的数据集乘以k个n维的特征向量的特征向量（n * k）,得到最后降维的数据。

1、进行归一化处理、计算协方差等

def normalize(X):
    m, n = np.shape(X)
    mu = meanX(X)
    muAll = np.tile(mu, (m, 1))
    X1 = X - muAll
    X2 = np.tile(np.diag(X.T * X), (m, 1))
    XNorm = X1 / X2
    return XNorm

2、定义PCA函数，实现主成分分析

def pca(XMat, k):
    average = meanX(XMat)     #计算均值,为进行归一化做准备
    m, n = np.shape(XMat)     #行，列（7）
    data_adjust = []
    avgs = np