kaggle 高光谱图像分类代码

高光谱图像分类需要对数据进行预处理、特征提取和模型训练等多个步骤，下面是一份使用 TensorFlow 和 Keras 实现高光谱图像分类的代码示例：

首先是数据预处理部分，这里使用了 Spectral Python（SPy）库对高光谱图像进行处理：

import numpy as np
import pandas as pd
import spectral.io as io
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

# 读取数据
data_path = 'data.hdr'
data, metadata = io.load_cube(data_path)

# 获取数据形状和波段数
n_samples, n_rows, n_cols, n_bands = data.shape

# 将数据变形为 2D 矩阵
X = np.reshape(data, (n_samples * n_rows * n_cols, n_bands))

# 读取标签并进行编码
labels = pd.read_csv('labels.csv')
encoder = LabelEncoder()
y = encoder.fit_transform(labels['class'])

# 划分训练集和验证集
X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.2, random_state=42)

接下来是特征提取部分，这里使用了 PCA 算法对高光谱图像进行降维：

from sklearn.decomposition import PCA

# 定义 PCA 模型并拟合数据
pca = PCA(n_components=50)
X_train_pca = pca.fit_transform(X_train)
X_valid_pca = pca.transform(X_valid)

最后是模型部分，这里使用了随机森林模型：

from sklearn.ensemble import RandomForestClassifier

# 定义模型
rf = RandomForestClassifier(n_estimators=100, random_state=42)

# 训练模型
rf.fit(X_train_pca, y_train)

# 在验证集上进行预测并输出准确率
acc = rf.score(X_valid_pca, y_valid)
print('Accuracy:', acc)

以上代码仅供参考，实际应用中可能需要根据具体情况进行修改和优化。