我有一个大规模图像数据集一共2000多张1000*1000的图片，它在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

当然可以，以下是一个Python程序示例，可以实现对D:\wjd下的8个文件夹的图片进行特征提取，并将其归为FCC和BCC两类，并将分类结果保存在FCC和BCC两个文件夹中。

import os
import cv2
import numpy as np
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA

# 设置参数
n_clusters = 2
n_components = 50

# 定义函数，用于读取并预处理图像数据
def load_images(path):
    images = []
    labels = []
    for label, folder in enumerate(os.listdir(path)):
        sub_folder = os.path.join(path, folder)
        for filename in os.listdir(sub_folder):
            img_path = os.path.join(sub_folder, filename)
            img = cv2.imread(img_path)
            img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            img = cv2.resize(img, (100, 100))
            img = img.reshape(-1)
            images.append(img)
            labels.append(label)
    return np.array(images), np.array(labels)

# 加载图像数据
X, y = load_images('D:/wjd')

# 进行PCA降维
pca = PCA(n_components=n_components)
X_pca = pca.fit_transform(X)

# 使用KMeans聚类算法进行无监督分类
kmeans = KMeans(n_clusters=n_clusters, random_state=0)
y_pred = kmeans.fit_predict(X_pca)

# 根据分类结果将图像保存到不同文件夹
for i in range(n_clusters):
    folder_name = 'FCC' if i == 0 else 'BCC'
    folder_path = os.path.join('D:/wjd', folder_name)
    if not os.path.exists(folder_path):
        os.makedirs(folder_path)
    for j in np.where(y_pred == i)[0]:
        img = cv2.imread(os.path.join('D:/wjd', str(y[j]), str(j) + '.png'))
        cv2.imwrite(os.path.join(folder_path, str(j) + '.png'), img)

以上代码中，首先使用load_images函数从D:\wjd目录中加载图像数据，并进行了预处理，包括灰度化、缩放、reshape等操作。然后使用PCA进行降维，并使用KMeans聚类算法进行无监督分类，得到两个类别的标签。最后，根据分类结果将图像保存到不同的文件夹中。