遥感卫星影像光谱波段PCA降维遇维度错误求助

sklearn的PCA要求输入是样本数×特征数的2维数组，你的遥感数据是3维（m行×n列的空间维度 + 103个光谱波段特征），直接传入会触发维度错误，解决步骤如下：

• 展平空间维度：将(m, n, 103)的数组转换为(m*n, 103)，每个空间像素作为独立样本，103个波段作为样本特征
• 执行PCA降维：用展平后的2维数据拟合PCA并转换
• 恢复空间结构：将降维后的结果重新转回(m, n, 10)的3维格式，匹配原数据的空间布局

完整代码示例：

from sklearn.decomposition import PCA

# 假设data是你的原始遥感数据，形状(m, n, 103)
test = feature_scaling(data)
m, n, _ = test.shape

# 展平空间维度
reshaped_data = test.reshape(-1, 103)

# 初始化PCA并执行降维
pca = PCA(n_components=10)
pca_components = pca.fit_transform(reshaped_data)

# 恢复空间形状
pca_result = pca_components.reshape(m, n, 10)

说明：

• reshape(-1, 103)中的-1会让numpy自动计算m*n的总样本数，无需手动计算
• 最终的pca_result保持了原数据的空间结构，每个位置对应10个主成分特征

内容的提问来源于stack exchange，提问作者mankjo