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ovito三色图，现在想用一种无监督方法对这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，根据你的描述，你可以使用卷积自编码器(Convolutional Autoencoder)来进行无监督特征提取，然后使用聚类算法将这些特征归为两类(FCC和BCC)。这里给出一个基于Python和Keras的示例代码：

import os
import numpy as np
from PIL import Image
from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D
from keras.models import Model
from sklearn.cluster import KMeans

# 定义卷积自编码器模型
input_img = Input(shape=(1000, 1000, 3))
x = Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(32, (3, 3), activation='relu')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x)
autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# 加载数据集
data = []
for folder in os.listdir("D:/wjd"):
    for file in os.listdir("D:/wjd/"+folder):
        img = Image.open("D:/wjd/"+folder+"/"+file)
        img = img.resize((1000, 1000))
        data.append(np.array(img))
data = np.array(data) / 255.0

# 训练卷积自编码器
autoencoder.fit(data, data, epochs=50, batch_size=32)

# 提取特征
encoder = Model(input_img, encoded)
features = encoder.predict(data)

# 使用KMeans聚类算法将特征分为两类
kmeans = KMeans(n_clusters=2, random_state=0).fit(features)

# 将分类结果保存到对应的文件夹中
for i, label in enumerate(kmeans.labels_):
    filename = str(i+1) + ".png"
    if label == 0:
        os.rename("D:/wjd/"+str(i+1)+".png", "D:/wjd/FCC/"+filename)
    else:
        os.rename("D:/wjd/"+str(i+1)+".png", "D:/wjd/BCC/"+filename)

这段代码中，首先定义了一个卷积自编码器(Convolutional Autoencoder)模型，然后加载数据集并将数据集进行归一化处理。接着，我们用训练数据来训练卷积自编码器，将训练好的自编码器模型中的编码器部分提取出来，用它来对所有的图片进行特征提取。然后，我们使用KMeans聚类算法将这些特征分为两类(FCC和BCC)，最后将分类结果保存到对应的文件夹中。请注意，这段代码仅供参考，你需要根据自己的具体情况进行修改和调整。