高光谱图像分类matlab

### 使用 Matlab 进行高光谱图像分类

高光谱图像分类涉及处理大量波段的数据来识别不同类型的地物。Matlab 提供了一系列工具箱和支持包，可以有效地支持这一任务。

#### 准备工作环境
为了在 Matlab 中执行高光谱图像分类，首先需要安装必要的工具箱：

- Image Processing Toolbox
- Statistics and Machine Learning Toolbox
- Deep Learning Toolbox (如果打算采用深度学习方法)

这些工具箱提供了读取、预处理以及分析高光谱数据所需的功能函数[^1]。

#### 数据加载与预览
假设已经获取了一个高光谱数据文件（例如 .mat 或者其他格式），可以通过如下方式将其导入到 Matlab 工作区中：

% 加载.mat 文件中的变量
data = load('hyperspectral_data.mat');
hsiData = data.hsi; % 假设 hsi 是存储高光谱立方体的变量名
groundTruth = data.groundTruth; % 地面真值标签矩阵

对于非标准格式的数据，则可能需要用到特定库来进行解析和转换操作[^2]。

#### 预处理阶段
通常情况下，在正式进入模型训练之前还需要完成若干预处理步骤，比如去除噪声、标准化像素强度分布等：

% 应用最小最大缩放使所有特征处于同一尺度范围内
minVal = min(hsiData(:));
maxVal = max(hsiData(:));
normalizedHSIData = (hsiData - minVal) / (maxVal - minVal);

此外还可以考虑应用 PCA 主成分分析降维技术减少冗余信息并加速后续计算过程[^3]。

#### 特征提取
针对高维度特性较强的 HSIs ，有效的特征表示至关重要。常用的技术包括但不限于局部二值模式 LBP 、Gabor 小波变换 GWT 及其组合形式等等；当然也可以直接利用原始反射率作为输入给定某些简单场景下。

#### 构建分类器
基于上述准备好的样本集合构建合适的监督式机器学习算法实例，这里列举几种常见的选择及其对应实现代码片段：

##### 支持向量机 SVM

svmModel = fitcsvm(trainingFeatures, trainingLabels,'KernelFunction','rbf');
predictedLabelsSVM = predict(svmModel,testSamples);
confusionchart(testLabels,predictedLabelsSVM);

##### K近邻 KNN

knnModel = fitcknn(trainingFeatures,trainingLabels,'NumNeighbors',5);
predictedLabelsKNN = resubPredict(knnModel);
accuracyKNN = sum(predictedLabelsKNN==testLabels)/numel(testLabels)*100;
disp(['Accuracy of KNN Classifier: ', num2str(accuracyKNN), '%']);

##### 卷积神经网络 CNN （需额外配置 GPU 和深层架构）

layers = [
    imageInputLayer([height width channels])
    
    convolution2dLayer(filterSize,numFilters,...
        'Padding','same',...
        'WeightLearnRateFactor',weightLRF,...
        'BiasLearnRateFactor',biasLRF)
        
    batchNormalizationLayer
    
    reluLayer
    
    fullyConnectedLayer(numClasses)
    
    softmaxLayer
    
    classificationLayer];

options = trainingOptions('adam',...
    'InitialLearnRate',initialLearnRate,...
    'MaxEpochs',epochs,...
    'MiniBatchSize',miniBatchSize,...
    'Shuffle','every-epoch',...
    'ValidationFrequency',validationFreq,...
    'Verbose',false,...
    'Plots','training-progress');

net = trainNetwork(trainImages,trainLabels,layers,options);

YPred = classify(net,valImages);
YValidation = valLabels;

accuracyCNN = mean(YPred == YValidation);
disp(['Test Accuracy: ', num2str(accuracyCNN*100), '%'])

通过调整参数设置优化性能表现直至满意为止。值得注意的是当面对更大规模复杂度更高的实际问题时往往还需探索更多高级策略如迁移学习 Transfer Learning 或集成方法 Ensemble Methods 来进一步提升泛化能力。