2DCNN高光谱图像分类代码

以下是一个基于2DCNN的高光谱图像分类代码示例：

import keras
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D

# 加载数据
data = pd.read_csv('data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 将数据转换为2D图像
X_train = np.reshape(X_train, (X_train.shape[0], 10, 10, 176))
X_test = np.reshape(X_test, (X_test.shape[0], 10, 10, 176))

# 构建2DCNN模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(10, 10, 176)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
history = model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))

# 绘制训练和验证的准确率和损失
plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='训练')
plt.plot(history.history['val_accuracy'], label='验证')
plt.title('准确率')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='训练')
plt.plot(history.history['val_loss'], label='验证')
plt.title('损失')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 评估模型
score = model.evaluate(X_test, y_test, verbose=0)
print('测试集准确率:', score[1])

在这个示例中，我们首先将高光谱数据加载到一个 Pandas DataFrame 中，然后使用 `train_test_split` 函数将数据分为训练集和测试集。接下来，我们将数据转换为 2D 图像，然后使用 Keras 构建一个简单的 2DCNN 模型。我们使用 `compile` 函数编译模型，然后使用 `fit` 函数训练模型。最后，我们使用 `evaluate` 函数评估模型在测试集上的性能。