用python实现支持向量机高光谱图像分类并可视化

支持向量机（SVM）是一种常用的分类算法，它在高光谱图像分类中也有广泛的应用。本文将介绍如何使用Python实现高光谱图像分类，并通过可视化展示分类结果。

首先，我们需要准备数据集。这里以PaviaU数据集为例，该数据集包括103个波段，每个像素点有3个类别。我们可以使用Spectral库来读取数据：

import spectral

# 读取数据
img = spectral.open_image('paviaU.hdr')
data = img.load()

接着，我们需要对数据进行预处理，包括去除噪声、降维等。这里我们使用PCA来进行降维：

from sklearn.decomposition import PCA

# 对数据进行降维
data = data.reshape(-1, data.shape[-1])
pca = PCA(n_components=30)
data_pca = pca.fit_transform(data)

接着，我们需要将数据集分为训练集和测试集：

from sklearn.model_selection import train_test_split

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data_pca, img.labels, test_size=0.3, random_state=42)

然后，我们可以使用SVM来进行分类：

from sklearn.svm import SVC

# 使用SVM进行分类
svm = SVC(kernel='linear')
svm.fit(X_train, y_train)

最后，我们可以通过可视化来展示分类结果。这里我们使用Matplotlib库来进行可视化：

import numpy as np
import matplotlib.pyplot as plt

# 将预测结果可视化
pred = svm.predict(X_test)
pred_img = np.zeros_like(img)
pred_img[np.where(pred == 1)] = [255, 0, 0]  # 类别1显示为红色
pred_img[np.where(pred == 2)] = [0, 255, 0]  # 类别2显示为绿色
pred_img[np.where(pred == 3)] = [0, 0, 255]  # 类别3显示为蓝色

plt.figure(figsize=(10, 10))
plt.imshow(spectral.imshow(pred_img, (30, 20, 10)))
plt.axis('off')
plt.show()

这样就完成了高光谱图像分类的实现和可视化。完整的代码如下：

import spectral
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
img = spectral.open_image('paviaU.hdr')
data = img.load()

# 对数据进行降维
data = data.reshape(-1, data.shape[-1])
pca = PCA(n_components=30)
data_pca = pca.fit_transform(data)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data_pca, img.labels, test_size=0.3, random_state=42)

# 使用SVM进行分类
svm = SVC(kernel='linear')
svm.fit(X_train, y_train)

# 将预测结果可视化
pred = svm.predict(X_test)
pred_img = np.zeros_like(img)
pred_img[np.where(pred == 1)] = [255, 0, 0]  # 类别1显示为红色
pred_img[np.where(pred == 2)] = [0, 255, 0]  # 类别2显示为绿色
pred_img[np.where(pred == 3)] = [0, 0, 255]  # 类别3显示为蓝色

plt.figure(figsize=(10, 10))
plt.imshow(spectral.imshow(pred_img, (30, 20, 10)))
plt.axis('off')
plt.show()