python高光谱分类选取样本代码

高光谱分类的样本选择通常涉及到特征选择和样本选择两个方面。以下是一个简单的Python代码示例，用于基于最大化差异性和最小化重复性的目标函数来选择样本。

import numpy as np
from sklearn.metrics.pairwise import euclidean_distances

def select_samples(X, y, n_samples):
    # 计算特征之间的欧几里得距离
    dist = euclidean_distances(X)
    
    # 初始化样本索引列表
    selected = []
    
    # 随机选择一个起始样本
    idx = np.random.choice(X.shape[0])
    selected.append(idx)
    
    # 循环选择剩余样本
    for i in range(n_samples - 1):
        # 计算与已选样本之间的平均距离
        dist_selected = dist[selected,:][:,selected]
        dist_mean = np.mean(dist_selected, axis=1)
        
        # 选择离已选样本平均距离最大的样本
        idx = np.argmax(dist_mean)
        selected.append(idx)
        
    return X[selected,:], y[selected]

这个函数接受一个高光谱数据矩阵 `X` 和对应的类别标签 `y`，以及要选择的样本数量 `n_samples`。它首先计算特征之间的欧几里得距离，并随机选择一个起始样本。然后，它循环选择剩余的样本，每次选择与已选样本之间平均距离最大的样本。最终，函数返回选择的样本矩阵和对应的类别标签。