pytorch高光谱图像取块

在 PyTorch 中，可以使用 `torch.utils.data.Dataset` 和 `torch.utils.data.DataLoader` 来加载和处理高光谱图像数据，并进行取块操作。

假设你的高光谱图像数据集是一个 `.npy` 文件，其中包含了所有的高光谱图像数据。首先，你需要自定义一个 `HyperspectralDataset` 类，继承自 `torch.utils.data.Dataset` 类，用于加载和处理数据集。在这个类中，你可以实现 `__getitem__` 方法来获取每个样本的数据和标签，并将其转换为张量。具体实现可以参考下面的代码：

import torch
from torch.utils.data import Dataset

class HyperspectralDataset(Dataset):
    def __init__(self, data_path, label_path, block_size):
        self.data = torch.from_numpy(np.load(data_path)).float()
        self.labels = torch.from_numpy(np.load(label_path)).long()
        self.block_size = block_size

    def __getitem__(self, index):
        x = self.data[index]
        y = self.labels[index]

        # randomly sample a block from the hyperspectral image
        x_block = self.random_crop(x, self.block_size)
        
        return x_block, y

    def __len__(self):
        return len(self.data)
    
    def random_crop(self, x, block_size):
        _, h, w = x.size()
        dh, dw = block_size, block_size
        h1 = np.random.randint(0, h - dh + 1)
        w1 = np.random.randint(0, w - dw + 1)
        return x[:, h1:h1+dh, w1:w1+dw]

在上述代码中，`data_path` 和 `label_path` 分别为高光谱图像数据和标签的 `.npy` 文件路径，`block_size` 为取块的大小。在 `__getitem__` 方法中，我们随机采样一个块，并将其返回。

接下来，你可以使用 `torch.utils.data.DataLoader` 类来创建一个数据加载器，用于批量加载数据集。例如：

from torch.utils.data import DataLoader

hyperspectral_dataset = HyperspectralDataset(data_path, label_path, block_size)
hyperspectral_dataloader = DataLoader(dataset=hyperspectral_dataset, batch_size=batch_size, shuffle=True)

其中，`batch_size` 是每个批次的大小，`shuffle=True` 表示每个批次的样本顺序是随机的。

最后，你可以使用 `for` 循环遍历数据加载器，并逐个获取每个批次的数据和标签。例如：

for x_batch, y_batch in hyperspectral_dataloader:
    # do something with x_batch and y_batch

在上述代码中，`x_batch` 的维度为 `(batch_size, num_channels, block_size, block_size)`，`y_batch` 的维度为 `(batch_size,)`。你可以对 `x_batch` 进行进一步处理，例如将其送入模型进行训练或推断。