上一篇文章中使用 Pavia 大学的数据进行了数据探索性分析和可视化。可视化的代码，在上一篇文章中已经给出，只需要修改数据即可实现相应的可视化。本文重点介绍数据的降维和特征选择。

Github 源码获取

https://github.com/datamonday/HSI-Analysis

Dataset：Indian Pines

下载地址：Link

易知，该数据集包含16类不同的对象，其具体的标签如上图中的表格所示。每张图像的尺寸为 145×145像素。

个类别标签柱状图：

Python读取.mat 格式数据

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

from scipy.io import loadmat
indian_pines = loadmat('dataset/Indian_pines_corrected.mat')

# loadmat方法加载数据后会返回一个Python字典的数据结构
indian_pines.keys()

dict_keys(['__header__', '__version__', '__globals__', 'indian_pines_corrected'])

# 由关键字可知，读取'indian_pines_corrected'字段
indian_pines = indian_pines['indian_pines_corrected']
# 查看数据的shape
indian_pines.shape

(145, 145, 200)

# 查看数据的类型，numpy.ndarray类型
type(indian_pines)

# 加载像素标签数据
indian_pines_gt = loadmat('dataset/Indian_pines_gt.mat')
print(indian_pines_gt.keys())

dict_keys(['__header__', '__version__', '__globals__', 'indian_pines_gt'])

indian_pines_gt = indian_pines_gt['indian_pines_gt']
indian_pines_gt.shape

(145, 145)

由像素标签的维度和高光谱图像数据可知，光谱数据中，每个像素对应一个类别，并且在不同波段的图像中相同位置的像素所属的类别相同！

查看样本中的标签：

注意，标签0表示没有关键的类别，是无用的数据，所以在可视化的时候需要将这一维度去掉。

加载数据

X = indian_pines
y = indian_pines_gt
print(f"X shape: {X.shape}ny shape: {y.shape}")


sns.axes_style('whitegrid')
fig = plt.figure(figsize=(12, 6))

# 不同光谱下的图像示例
for i in range(1, 1+6):
    fig.add_subplot(2, 3, i)
    q = np.random.randint(X.shape[2])
    plt.imshow(X[:, :, q], cmap='jet')
    plt.axis('off')
    plt.title(f'band - {q}')

图像的真实标签信息

!pip install plotly
import plotly.express as px

cls = px.imshow(y, color_continuous_scale='jet')

cls.update_layout(title='Ground Truth', coloraxis_showscale=True)
cls.update_xaxes(showticklabels=False)
cls.update_yaxes(showticklabels=False)
cls.show()

将图像数据转换为CSV存储

def extract_pixels(X, y, save_name='indian_pines_all'):
    q = X.reshape(-1, X.shape[2])
    df = pd.DataFrame(q)
    df = pd.concat([df, pd.DataFrame(y.ravel())], axis=1)
    df.columns= [f'band{i}' for i in range(1, 1+X.shape[2])]+['class']
    df.to_csv(f'dataset/{save_name}.csv')
    
    return df

df = extract_pixels(X, y, save_name='indian_pines_all')
df

查看转换后的数据信息

PCA降维

降维（Dimensionality Reduction， DR）用于减少数据的维数，降低计算成本。有助于提高高光谱图像（HSI）像素分类的准确性。

特征选择是选择数据集特征维的过程，该维有助于机器学习任务的模式，例如分类，聚类等。 这可以通过使用不同的方法来实现，例如相关分析，单变量分析等。

降维可以采用两种类型：

• 特征选择：选择数据集特征维的过程，可以通过使用不同的方法来实现，例如相关分析，单变量分析等。
• 特征提取：通过选择和/或组合现有特征以创建缩小的特征空间来查找新特征的过程，同时仍能准确，完整地描述数据集而不会丢失信息。

基于准则函数和收敛过程，降维技术也分为凸（Convex）和非凸（Non-Convex）。 一些流行的降维技术包括PCA，ICA，LDA，GDA，KernelPCA，Isomap，局部线性嵌入（Local linear embedding，LLE），Hessian LLE等。

本文使用主成分分析（PCA）来减少数据的维数。

from sklearn.decomposition import PCA
pca_components = 40

pca = PCA(n_components = pca_components)
dt = pca.fit_transform(df.iloc[:, :-1].values)
q = pd.concat([pd.DataFrame(data = dt), pd.DataFrame(data = y.ravel())], axis = 1)
q.columns = [f'PC-{i}' for i in range(1, pca_components+1)]+['class']
q.head()

可视化PCA之后的光谱

fig = plt.figure(figsize = (20, 10))

for i in range(1, 1+8):
    fig.add_subplot(2,4, i)
    plt.imshow(q.loc[:, f'PC-{i}'].values.reshape(145, 145), cmap='nipy_spectral')
    plt.axis('off')
    plt.title(f'Band - {i}')

plt.savefig('IP_PCA_Bands.png')

SVM分类

使用经过PCA降维后的数据进行分类。

分类是指预测建模问题，其中针对给定的输入数据预测了类别标签。分类可分为：

• Classification Predictive Modeling
• Binary Classification
• Multi-Class Classification
• Multi-Label Classification
• Imbalanced Classification

我们正在处理“多类分类”问题。高光谱图像（HSI）的分类有不同的分类算法，例如：

• K-Nearest Neighbors
• Support Vector Machine
• Spectral Angle Mapper
• Convolutional Neural Networks
• Decision Trees e.t.c

本文使用支持向量机（SVM）对高光谱图像（HSI）进行分类。

x = q[q['class'] != 0]
X = x.iloc[:, :-1].values
y = x.loc[:, 'class'].values 

names = ['Alfalfa', 'Corn-notill', 'Corn-mintill', 'Corn', 'Grass-pasture', 'Grass-trees',
         'Grass-pasture-mowed', 'Hay-windrowed', 'Oats', 'Soybean-notill', 'Soybean-mintill',
         'Soybean-clean', 'Wheat', 'Woods', 'Buildings Grass Trees Drives', 'Stone Steel Towers']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=11, stratify=y)

svm = SVC(C=100, kernel='rbf', cache_size=10*1024)
svm.fit(X_train, y_train)
ypred = svm.predict(X_test)

data = confusion_matrix(y_test, ypred)
df_cm = pd.DataFrame(data, columns=np.unique(names), index = np.unique(names))
df_cm.index.name = 'Actual'
df_cm.columns.name = 'Predicted'

plt.figure(figsize = (10,8))
sns.set(font_scale=1.4)#for label size
sns.heatmap(df_cm, cmap="Reds", annot=True,annot_kws={"size": 16}, fmt='d')

plt.savefig('cmap.png', dpi=300)

查看测试集的（20%）分类混淆矩阵：

查看分类评价指标：

有些类别的分类结果不准确，可能与其样本数量有关，也可能是因为不同类别之间的差距不明显。

可视化分类结果

# Classification Map
l=[]
for i in range(q.shape[0]):
    if q.iloc[i, -1] == 0:
        l.append(0)
    else:
        l.append(svm.predict(q.iloc[i, :-1].values.reshape(1, -1)))

clmap = np.array(l).reshape(145, 145).astype('float')
plt.figure(figsize=(10, 8))
plt.imshow(clmap, cmap='nipy_spectral')
plt.colorbar()
plt.axis('off')
plt.savefig('IP_cmap.png')
plt.show()

绘制真实数据标签：

# 真实数据

plt.figure(figsize=(10, 8))
plt.imshow(y, cmap='nipy_spectral')
plt.colorbar()
plt.axis('off')
plt.savefig('IP_cmap.png')
plt.show()

真实标签与SVM分类结果对比：

可以看出，目前结果还是很不错的，虽然有些噪点。只是使用默认参数取得上图的结果还是可以接收的，后续通过一些超参数优化方法，数据预处理步骤可能获得更好的结果。

Reference

Dimensionality Reduction in Hyperspectral Images using Python
Hyperspectral Image Analysis — Classification

最后

以上就是从容红牛为你收集整理的高光谱图像分析：分类 IIGithub 源码获取Dataset：Indian PinesPCA降维SVM分类Reference的全部内容，希望文章能够帮你解决高光谱图像分析：分类 IIGithub 源码获取Dataset：Indian PinesPCA降维SVM分类Reference所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。