高光谱图像分类代码svm

以下是使用支持向量机（SVM）进行高光谱图像分类的 Python 代码示例：

# 导入必要的库
import numpy as np
from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_digits
from sklearn.datasets import fetch_rcv1

# 加载高光谱图像数据
data = fetch_rcv1()

# 提取数据和标签
X = data.data
y = data.target

# 将数据分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# PCA降维
pca = PCA(n_components=100)
X_train = pca.fit_transform(X_train)
X_test = pca.transform(X_test)

# 训练一个 SVM 模型
svm_model = svm.SVC(kernel='linear', C=1, gamma=0.1)
svm_model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = svm_model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用了 `fetch_rcv1` 函数从 Scikit-learn 库中加载了高光谱图像数据集。然后，我们将数据分成了训练集和测试集，并使用标准化和 PCA 降维进行预处理。最后，我们使用 SVM 模型进行训练和预测，并计算了准确率。

请注意，这只是一个简单的示例，你可能需要使用不同的参数和特征工程技术来获得更好的结果，具体取决于你的数据集和问题。