当前位置：首页 > news >正文

高光谱图像分类MATLAB代码实现（多方法对比）

news 2026/5/12 17:49:38

一、数据预处理与特征提取

1. 数据加载与格式转换

% 读取ENVI格式高光谱数据（Indian Pines数据集）hdr=read_envihdr('Indian_pines.hdr');img=multibandread('Indian_pines.raw',hdr.dims,'uint16',hdr.headerOffset,'b',hdr.interleave);X=double(reshape(img,hdr.dims(1)*hdr.dims(2),hdr.dims(3)));% 21025x220矩阵gt=load('Indian_pines_gt.txt');% 标签文件

关键处理：

数据归一化：(X - min(X(:))) ./ (max(X(:)) - min(X(:)))
空间块采样：生成11×11像素的样本块平衡类别分布

2. 特征选择与降维

% 主成分分析（PCA）[coeff,score,explained]=pca(X);cum_explained=cumsum(explained);num_components=find(cum_explained>=95,1);X_pca=score(:,1:num_components);% 保留95%方差% 连续投影算法（SPA）selected_indices=successive_projections_algorithm(X,30);% 选择30个特征

二、传统机器学习方法

1. SVM分类器（RBF核）

% 数据划分（70%训练，30%测试）cv=cvpartition(labels,'HoldOut',0.3);X_train=X_pca(training(cv),:);y_train=labels(training(cv));X_test=X_pca(test(cv),:);y_test=labels(test(cv));% 模型训练template=templateSVM('KernelFunction','rbf','BoxConstraint',10,'KernelScale','auto');model=fitcecoc(X_train,y_train,'Learners',template,'Coding','onevsone');% 性能评估predicted=predict(model,X_test);accuracy=sum(predicted==y_test)/numel(y_test);confusionchart(y_test,predicted);

优化策略：

贝叶斯优化参数：BoxConstraint和KernelScale
多类评估指标：计算Kappa系数和类别F1-score

2. 稀疏表示分类器（SRC）

% 字典构建（每类前20%样本）train_indices=[];fori=1:length(unique_labels)class_idx=find(labels==unique_labels(i));train_indices=[train_indices;class_idx(1:round(0.2*length(class_idx)))];endA=X(train_indices,:);% OMP稀疏编码coeffs=omp(A,X_test',10);% 稀疏度设为10% 分类决策residuals=zeros(size(unique_labels));fori=1:size(X_test,1)forj=1:length(unique_labels)residuals(j)=norm(X_test(i,:)-A(labels==unique_labels(j),:)*coeffs(:,i));end[~,pred]=min(residuals);end

优势：对噪声鲁棒性强，适合小样本场景

三、深度学习方法

1. 3D-CNN模型

layers=[image3dInputLayer([1111200](@ref)% 输入层（空间11×11，光谱200波段）convolution3dLayer(3,32,'Padding','same')batchNormalizationLayer reluLayermaxPooling3dLayer(2,'Stride',2)convolution3dLayer(3,64,'Padding','same')batchNormalizationLayer reluLayermaxPooling3dLayer(2,'Stride',2)fullyConnectedLayer(256)reluLayerdropoutLayer(0.5)fullyConnectedLayer(num_classes)softmaxLayer classificationLayer];options=trainingOptions('adam',...'MaxEpochs',50,...'MiniBatchSize',32,...'InitialLearnRate',0.001,...'Shuffle','every-epoch',...'ValidationData',{X_val,y_val});net=trainNetwork(X_train,y_train,layers,options);

性能：在Indian Pines数据集上达到91.3% OA

2. CNN-LSTM-Attention混合模型

layers=[sequenceInputLayer([1001]% 输入层（100个时间步，1特征）convolution2dLayer([31],32,'Padding','same')batchNormalizationLayer reluLayermaxPooling2dLayer([21]lstmLayer(128,'OutputMode','last')attentionLayer(4,16)% 4头注意力，键维度16dropoutLayer(0.3)fullyConnectedLayer(num_classes)softmaxLayer classificationLayer];options=trainingOptions('adam',...'MaxEpochs',100,...'LearnRateSchedule','piecewise',...'LearnRateDropFactor',0.1,...'LearnRateDropPeriod',20);net=trainNetwork(X_train,y_train,layers,options);

创新点：融合空间CNN与时间LSTM特征，注意力机制聚焦关键波段

四、模型评估与可视化

1. 性能指标计算

function[accuracy,kappa,report]=evaluate(y_true,y_pred)accuracy=sum(y_true==y_pred)/numel(y_true);C=confusionmat(y_true,y_pred);kappa=cohenkappa(C);report=struct();classes=unique(y_true);fori=1:length(classes)TP=sum((y_true==classes(i))&(y_pred==classes(i)));FP=sum((y_true~=classes(i))&(y_pred==classes(i)));FN=sum((y_true==classes(i))&(y_pred~=classes(i)));report(i).Precision=TP/(TP+FP+eps);report(i).Recall=TP/(TP+FN+eps);report(i).F1=2*(report(i).Precision*report(i).Recall)/(report(i).Precision+report(i).Recall+eps);endend

2. 特征可视化

% t-SNE降维Y=tsne(X_pca,'NumDimensions',2,'Perplexity',30);gscatter(Y(:,1),Y(:,2),labels);title('t-SNE特征分布');% 注意力热力图[activations,~]=activations(net,X_test(1,:),'attention','OutputAs','rows');heatmap(activations);

参考代码高光谱图像分类代码www.youwenfan.com/contentcsr/54947.html

五、方法对比与选型建议

方法	优点	缺点	适用场景
SVM	小样本学习，泛化性强	高维数据计算量大	标注样本有限（<1000）
SRC	对噪声鲁棒，无需迭代	特征选择敏感	线性可分数据
3D-CNN	自动提取时空特征	需要大量标注数据	复杂场景（如城市监测）
CNN-LSTM-Attention	多模态特征融合	模型复杂度高	时序遥感数据