在Scikit-learn中，可以使用主成分分析（Principal Component Analysis，PCA）來實現圖像降維。PCA是一種常用的降維技術，它通過線性變換將原始數據映射到一個新的坐標系中，使得數據在新坐標系中的方差最大化。

以下是一個簡單的示例代碼，用于在Scikit-learn中實現圖像降維：

from sklearn.decomposition import PCA
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_sample_image

# 加載示例圖像
china = load_sample_image("china.jpg")
data = china / 255.0  # 將像素值縮放到0-1之間

# 將圖像數據轉換為二維數組
data_flat = data.reshape(data.shape[0], -1)

# 創建PCA模型并擬合數據
n_components = 100  # 設置降維后的維度
pca = PCA(n_components=n_components)
data_pca = pca.fit_transform(data_flat)

# 將降維后的數據轉換回原始維度
data_reconstructed = pca.inverse_transform(data_pca)
data_reconstructed = data_reconstructed.reshape(data.shape)

# 可視化降維前后的圖像
plt.figure(figsize=(8, 4))

plt.subplot(1, 2, 1)
plt.imshow(data)
plt.title("Original Image")
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(data_reconstructed)
plt.title("Reconstructed Image")
plt.axis('off')

plt.show()

在上面的代碼中，我們首先加載了一個示例圖像，并將其轉換為二維數組。然后我們創建了一個PCA模型，并將原始數據擬合到模型中。通過調整n_components參數，我們可以指定降維后的維度。最后，我們將降維后的數據轉換回原始維度，并可視化降維前后的圖像。