Python高光谱遥感数据矿物填图

### 使用Python处理高光谱遥感数据进行矿物填图

#### 数据准备与导入
为了有效地利用Python进行高光谱遥感数据分析并完成矿物填图工作，首先需要准备好相应的高光谱影像数据。通常这些数据可以从公开数据库获取或是通过特定设备采集而来。

import spectral as sp
from osgeo import gdal, ogr, osr
import numpy as np
import matplotlib.pyplot as plt

加载高光谱图像文件可以借助`spectral`库来简化操作过程[^1]：

# 加载HSI立方体数据
img_path = 'path_to_hyperspectral_image'
hsi_data = sp.open_image(img_path).load()
print(f'Image Shape: {hsi_data.shape}')  # 输出尺寸大小

#### 波段选择与特征提取
针对不同类型的矿物质具有独特的吸收反射特性，在具体实施过程中可以根据已知矿物的波谱曲线选取敏感波段作为分析对象。这一步骤对于后续模型训练至关重要。

def select_bands(hsi_cube, band_indices):
    """根据给定索引列表从超光谱立方体内抽取指定波段"""
    selected_bands = hsi_cube[:, :, band_indices]
    return selected_bans.reshape(-1, len(band_indices))

band_selections = [70, 98, 120]  # 假设这是三个重要的波段编号
selected_features = select_bands(hsi_data, band_selections)

#### 训练分类器
采用监督学习的方式构建矿物识别算法，这里推荐使用支持向量机(SVM)或其他适合于多类别分类的任务的方法来进行建模。在此之前还需要收集足够的样本用于训练阶段。

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

X_train, X_test, y_train, y_test = train_test_split(
    selected_features,
    labels.flatten(), test_size=0.3)

scaler = StandardScaler().fit(X_train)
svm_classifier = SVC(kernel='rbf', probability=True)
svm_classifier.fit(scaler.transform(X_train), y_train)
accuracy = svm_classifier.score(scaler.transform(X_test), y_test)
print('Model Accuracy:', accuracy * 100, '%')

#### 结果可视化
最后将预测的结果映射回原始空间，并绘制出彩色的地图表示各个像素所属类别的分布情况。

predicted_map = svm_classifier.predict_proba(selected_features).argmax(axis=-1)
plt.figure(figsize=(10, 6))
plt.imshow(predicted_map.reshape((hsi_data.shape[0], hsi_data.shape[1])))
plt.colorbar(label="Mineral Type Index")
plt.title("Predicted Mineral Distribution Map")
plt.show()