我的数据集是D:\wjd这个路径下有八个文件夹，分别是Al,Ag,Au,Cu,Mo,Cu,V,W这8个文件夹，每个文件夹下面是300张1000*1000的格式为png的ovito三色图，现在想用一种无监督方法对这个路径下D:\wjd下的8个文件夹的图片进行特征提取，然后归为两大类，一类是FCC，一类是BCC，然后把分类结果放到两个文件夹里，一个叫FCC,另外一个叫BCC可以根据这些描述，给我写程序吗

好的，根据您的需求，您可以使用深度学习中的自编码器（autoencoder）来进行无监督特征提取和分类。以下是一份基本的Python代码，可以实现您的需求：

import os
import cv2
import numpy as np
from sklearn.model_selection import train_test_split
from keras.layers import Input, Dense
from keras.models import Model

# 定义自编码器模型
input_img = Input(shape=(1000, 1000, 3))
x = Dense(1024, activation='relu')(input_img)
encoded = Dense(512, activation='relu')(x)
x = Dense(1024, activation='relu')(encoded)
decoded = Dense(1000 * 1000 * 3, activation='sigmoid')(x)
autoencoder = Model(input_img, decoded)

# 编译自编码器模型
autoencoder.compile(optimizer='adam', loss='mse')

# 加载数据
data = []
labels = []
for folder in os.listdir("D:/wjd"):
    if folder in ["FCC", "BCC"]:
        continue
    for file_name in os.listdir(os.path.join("D:/wjd", folder)):
        img = cv2.imread(os.path.join("D:/wjd", folder, file_name))
        data.append(img)
        if folder in ["Al", "Ag", "Au"]:
            labels.append(0)
        else:
            labels.append(1)
data = np.array(data)
labels = np.array(labels)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)

# 训练自编码器模型
autoencoder.fit(X_train, X_train, epochs=10, batch_size=16, shuffle=True, validation_data=(X_test, X_test))

# 获取编码器模型
encoder = Model(input_img, encoded)

# 将所有图片编码为特征向量
features = encoder.predict(data)

# 将数据分为两类，FCC和BCC
fcc_data = features[labels == 0]
bcc_data = features[labels == 1]

# 将分类结果保存到文件夹中
os.makedirs("D:/wjd/FCC")
os.makedirs("D:/wjd/BCC")
for i, feature in enumerate(features):
    if labels[i] == 0:
        cv2.imwrite(os.path.join("D:/wjd/FCC", f"{i}.png"), data[i])
    else:
        cv2.imwrite(os.path.join("D:/wjd/BCC", f"{i}.png"), data[i])

这份代码会加载D:/wjd文件夹下的所有图片，然后使用自编码器模型对其进行特征提取和分类。分类结果会保存到D:/wjd/FCC和D:/wjd/BCC文件夹中。您可以根据需要对代码进行修改。