光谱分类matlab代码

以下是一个简单的基于MATLAB的光谱分类代码示例：

% 读取训练和测试数据
trainData = load('trainData.txt');
testData = load('testData.txt');

% 将训练数据分为输入和输出
trainInputs = trainData(:,1:end-1);
trainTargets = trainData(:,end);

% 选择分类器模型
model = fitcecoc(trainInputs,trainTargets);

% 对测试数据进行预测
testInputs = testData(:,1:end-1);
predictedTargets = predict(model,testInputs);

% 计算分类精度
testTargets = testData(:,end);
accuracy = sum(predictedTargets == testTargets)/length(testTargets);

% 显示分类精度
disp(['分类精度为：',num2str(accuracy*100),'%']);

其中，`trainData.txt` 和 `testData.txt` 是训练和测试数据的文本文件，每行包含一个样本的光谱数据和对应的分类标签。`fitcecoc` 函数选择了一种多分类支持向量机模型进行分类。最后，计算了分类精度并显示在命令窗口中。

请注意，这只是一个简单的示例，实际的光谱分类任务可能需要更复杂的模型和数据预处理方法。

相关问题

高光谱图像分类代码 matlab

### 高光谱图像分类 MATLAB 示例代码

对于高光谱图像分类的任务，在MATLAB环境中可以通过多种机器学习和深度学习的方法实现。下面提供了一个基于支持向量机(SVM)的简单示例来展示如何对高光谱图像进行分类。

#### 数据预处理
首先加载并准备数据集，这里假设已经有一个名为`indian_pines_corrected.mat`的数据文件，其中包含了校正后的Indian Pines高光谱数据集及其对应的标签`indian_pines_gt.mat`：

% 加载原始高光谱数据与地面真值图
load('indian_pines_corrected.mat'); % 假设变量名是 indian_pines
data = double(indian_pines);

load('indian_pines_gt.mat');        % 假设变量名是 indian_pines_gt
gt = double(indian_pines_gt);

为了减少维度并加速训练过程，可以采用主成分分析(PCA)降维技术[^1]：

% 使用 PCA 减少特征数量到前 30 个主要分量
[coeff, score, ~] = pca(data(:,:,:), 'NumComponents', 30);
reducedData = reshape(score, size(gt), []);
clear coeff score;

接着创建训练样本集合测试样本集，通常会按照一定比例随机选取部分像素作为训练集其余则构成测试集：

trainRatio = 0.7;    % 训练集所占的比例
[trainInds, testInds] = partitionLabels(gt, trainRatio); 

function [trIdx, teIdx] = partitionLabels(labels, ratio)
    uniqueClasses = unique(labels(labels>0));
    trIdx = false(size(labels)); 
    teIdx = false(size(labels));

    for c = uniqueClasses'
       classMembers = find(labels==c);
       numTrainSamples = round(numel(classMembers)*ratio);
       
       randPermutedIndices = datasample(classMembers, numel(classMembers), ...
           'Replace',false);
           
       trIdx(randPermutedIndices(1:numTrainSamples)) = true;
       teIdx(~trIdx & labels>0) = true;
    end
end

构建SVM模型并对测试集做出预测：

% 构建 SVM 模型
svmModel = fitcecoc(reducedData(trainInds(:)), gt(trainInds),...
                    'Learners','Linear',...
                    'Coding','onevsall');

% 对测试集做预测
predictedLabels = predict(svmModel, reducedData(testInds(:)));

% 显示混淆矩阵以评估性能
confusionchart(gt(testInds), predictedLabels);

上述流程展示了利用传统机器学习方法——线性核的支持向量机来进行高光谱图像分类的一个基本框架。当然也可以尝试其他类型的内核函数或是引入更加复杂的神经网络结构如卷积神经网络(CNN)，这取决于具体的任务需求和技术背景[^2]。