python 高光谱图像分类代码并给我数据集的下载地址
时间: 2024-02-04 18:03:48 浏览: 134
常用高光谱分类数据集压缩文件.mat格式
以下是一个使用卷积神经网络(CNN)进行高光谱图像分类的 Python 代码示例,并且提供了一个公开数据集进行测试。
代码:
```python
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense, Conv2D, Flatten, MaxPooling2D
from keras.utils import to_categorical
from keras.datasets import fashion_mnist
# 读取数据集
(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()
# 数据预处理
X_train = np.reshape(X_train, (X_train.shape[0], 1, 28, 28)) / 255.0 # 转换为4D张量并归一化
X_test = np.reshape(X_test, (X_test.shape[0], 1, 28, 28)) / 255.0 # 转换为4D张量并归一化
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)
# 建立CNN模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(1, 28, 28)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))
# 评估模型
score = model.evaluate(X_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
```
数据集下载地址:https://www.kaggle.com/zalando-research/fashionmnist
该数据集包含了 60000 个 28x28 的灰度图像,共有 10 个类别。使用 `fashion_mnist.load_data()` 函数可以直接下载该数据集,并且使用 `to_categorical` 函数将分类标签转换为 one-hot 编码。
阅读全文