简介本资源面向高校学生与开发者提供一套基于Python的高光谱遥感影像识别与分类完整项目适用于毕业设计、课程设计及项目开发等场景。项目围绕高光谱影像分类中的特征冗余与泛化能力不足等问题展开涵盖基于波段组合(2D)²PCA的降维方法、双通道卷积神经网络空谱特征提取模型以及双通道CNN-SVM融合分类模型兼顾光谱与空间特征可有效提升分类精度。压缩包共24个文件约6.01MB以13个Python源码文件为核心辅以mat数据、png结果图、md说明文档及txt配置等结构清晰便于按模块阅读与复现。目前已有199人学习下载。读者可获得经过测试的完整源码、项目文档与使用教程理解从降维、特征提取到分类器融合的完整流程并在此基础上进行二次开发或论文写作参考。1. 从一份能跑通的 HSI 分类工程说起它到底解决了什么高光谱遥感影像分类这个方向很多同学卡在同一个地方论文里的公式看得懂但真拿到 Indian Pines 这种数据集从读数据、降维、搭网络到出精度图中间每一步都能翻车。这份基于 Python 实现的高光谱遥感影像识别与分类工程就是冲着这个断层来的——它把波段组合 (2D)²PCA 降维、双通道 CNN 空谱特征提取、CNN-SVM 融合分类这三块串成了一条能跑通的链路附带源码、项目文档和使用教程目录里能看到HSI-SVM-master、Part_1到Part_4、data、model、logs这些结构。它适合正在做毕业设计、课程设计或者需要一个高光谱分类基线来二次开发的人。你不需要从零推导休斯现象但需要知道每一步在干什么、参数怎么调、哪里最容易出问题。2. 工程结构与数据流先搞清楚 Part_1 到 Part_4 各自在干什么拿到一个压缩包最忌讳的就是直接python main.py。这个工程按Part_1到Part_4切分本质上是把「数据准备 → 降维 → 特征提取 → 分类评估」拆成了四个可独立调试的阶段。先把这个数据流理顺后面调参和排错才有坐标系。2.1 目录映射与各模块职责从工程命名和常见的高光谱分类实现习惯来看各部分的职责大致如下目录/文件职责典型输入典型输出data存放 Indian Pines 等数据集及标签.mat原始数据归一化后的数组Part_1数据加载、预处理、样本划分原始 HSI 立方体训练/测试样本Part_2(2D)²PCA 波段组合降维高维光谱向量降维后特征Part_3双通道 CNN 空谱特征提取降维特征 空间邻域特征向量Part_4SVM 分类与精度评估CNN 特征分类图、OA/AA/Kappamodel保存训练好的权重—.h5/.pkllogs训练日志、精度曲线—文本/图片这个划分的好处是你可以只跑Part_2验证降维效果也可以冻结 CNN 只调 SVM 的C和gamma。很多同学一上来就端到端跑结果精度不对根本不知道是哪一层的问题。2.2 环境依赖与数据准备高光谱工程的依赖不算多但版本敏感。常见做法是建一个干净的虚拟环境把下面这些装齐# 建议 Python 3.8高光谱常用的 scipy/spectral 在这个版本上最稳 python -m venv hsi_env source hsi_env/bin/activate # Windows 用 hsi_env\Scripts\activate pip install numpy scipy scikit-learn pip install tensorflow2.4.0 # 或 pytorch看工程用的是哪个后端 pip install matplotlib spectral # spectral 用于高光谱数据读写这里有几个参数值得说清楚。tensorflow2.4.0不是随便写的双通道 CNN 里如果用了Conv2D加自定义层2.5 之后的 API 变动会让老代码报tf.compat相关的错。spectral这个库专门处理.mat格式的高光谱数据Indian Pines 的corrected版本就是标准.mat。数据放进data目录后先确认文件名和代码里loadmat的路径一致否则会直接抛FileNotFoundError。import scipy.io as sio import numpy as np # 加载 Indian Pines常见字段名是 indian_pines_corrected 和 indian_pines_gt data sio.loadmat(data/Indian_pines_corrected.mat) gt sio.loadmat(data/Indian_pines_gt.mat) hsi data[indian_pines_corrected].astype(np.float32) # 形状 (145,145,200) label gt[indian_pines_gt].astype(np.int32) # 形状 (145,145) # 按波段做归一化避免量纲差异影响 PCA hsi (hsi - hsi.min()) / (hsi.max() - hsi.min()) print(hsi.shape, label.shape, np.unique(label))这段代码的逻辑是先把数据读成float32再做全局 min-max 归一化。注意np.unique(label)会告诉你标签里有几类、有没有 00 通常是背景类训练时要剔除。Indian Pines 标准是 16 类如果你打印出来是 17 个值那个多出来的 0 就是背景样本划分时必须过滤掉否则分类器会把背景也当成一类学。3. (2D)²PCA 降维休斯现象到底怎么被压下去的高光谱最反直觉的一点是波段不是越多越好。当特征维数超过某个临界点分类器性能反而下降这就是休斯现象。原因在于有限训练样本下维数越高类间可分性被噪声稀释得越厉害。这一章讲清楚 (2D)²PCA 为什么适合高光谱以及怎么在工程里落地。3.1 为什么是 (2D)²PCA 而不是普通 PCA普通 PCA 把每个像素的 200 维光谱当成一个向量做降维只利用了光谱信息丢掉了空间结构。而 (2D)²PCA 是双向二维主成分分析它在行方向和列方向分别做 PCA同时压缩空间维和光谱维。对高光谱来说一个像素邻域本身就是一个小二维矩阵双向 PCA 能在保留空间纹理的同时降低波段冗余。工程里Part_2的波段组合逻辑常见做法是先对波段分组再对每组做 (2D)²PCA最后把各组的主成分拼接。这样做的原因是直接对全部 200 个波段做一次双向 PCA计算量大且主成分解释性差分组后每组内部相关性高降维更干净。from sklearn.decomposition import PCA def band_group_pca(hsi, group_size20, n_components5): 按波段分组做 PCA返回拼接后的降维特征 h, w, b hsi.shape groups [] for start in range(0, b, group_size): block hsi[:, :, start:startgroup_size] # 展平成 (h*w, group_size) 做 PCA flat block.reshape(-1, block.shape[-1]) pca PCA(n_componentsn_components) reduced pca.fit_transform(flat) groups.append(reduced) # 沿特征维拼接 return np.concatenate(groups, axis1) features band_group_pca(hsi, group_size20, n_components5) print(features.shape) # (145*145, 50) 左右参数说明group_size20表示每 20 个波段一组Indian Pines 有 200 个波段正好分 10 组n_components5是每组保留 5 个主成分最终特征维数是 50。这两个参数是精度和计算量的平衡点——组太大组内相关性下降降维效果变差组太小主成分拼接后维数又上去了。我一般会先跑n_components从 3 到 10 的网格看验证集 OA 的拐点在哪。3.2 降维后的验证怎么确认休斯现象被压住了降维不是跑完就完事得验证。最直接的办法是画一条「特征维数 vs 分类精度」的曲线如果曲线在某个维数后开始下降说明休斯现象还在如果曲线趋于平稳或缓慢上升说明降维有效。from sklearn.svm import SVC from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score def evaluate_dimension(features, labels, dims[10, 30, 50, 80, 120]): scores [] for d in dims: X features[:, :d] X_tr, X_te, y_tr, y_te train_test_split( X, labels, test_size0.3, random_state42, stratifylabels) clf SVC(kernelrbf, C100, gammascale) clf.fit(X_tr, y_tr) scores.append(accuracy_score(y_te, clf.predict(X_te))) return dict(zip(dims, scores)) # 注意labels 要先用 gt 展平并剔除背景 0这段代码用 SVM 做快速探针不涉及 CNN几分钟就能跑完。如果 50 维之后精度不再明显上升甚至下降说明n_components5是合理的如果 80 维还在涨就得把n_components调大。这一步是很多同学忽略的——直接上 CNN训练半天精度不对再回头查降维时间全浪费了。4. 双通道 CNN 与 CNN-SVM 融合空谱特征怎么进分类器降维解决的是冗余问题接下来要解决的是「光谱特征和空间特征怎么一起用」。双通道 CNN 的思路是一个通道吃光谱向量一个通道吃空间邻域块两路特征在高层融合后再分类。而 CNN-SVM 融合则是把 CNN 当特征提取器把提取出的特征喂给 SVM用 SVM 的泛化能力兜底。4.1 双通道 CNN 的输入构造与网络搭建双通道的关键在于输入不是单一形式。光谱通道输入的是降维后的光谱向量比如 50 维空间通道输入的是以该像素为中心的p×p邻域块比如 9×9。两者形状不同所以网络前几层要分开写。import tensorflow as tf from tensorflow.keras import layers, Model def build_dual_channel_cnn(spectral_dim50, patch_size9, n_classes16): # 光谱通道一维卷积提取光谱特征 spec_in layers.Input(shape(spectral_dim,), namespectral_input) x1 layers.Reshape((spectral_dim, 1))(spec_in) x1 layers.Conv1D(32, 3, activationrelu, paddingsame)(x1) x1 layers.Conv1D(64, 3, activationrelu, paddingsame)(x1) x1 layers.GlobalAveragePooling1D()(x1) # 空间通道二维卷积提取邻域纹理 spa_in layers.Input(shape(patch_size, patch_size, spectral_dim), namespatial_input) x2 layers.Conv2D(32, 3, activationrelu, paddingsame)(spa_in) x2 layers.Conv2D(64, 3, activationrelu, paddingsame)(x2) x2 layers.GlobalAveragePooling2D()(x2) # 特征融合 merged layers.Concatenate()([x1, x2]) merged layers.Dense(128, activationrelu)(merged) merged layers.Dropout(0.4)(merged) out layers.Dense(n_classes, activationsoftmax)(merged) return Model(inputs[spec_in, spa_in], outputsout)参数说明spectral_dim50对应上一章降维后的维数patch_size9是空间邻域大小奇数保证中心像素对齐Dropout(0.4)是防过拟合的关键高光谱样本少不加 dropout 训练集精度能到 99% 但测试集惨不忍睹。两个通道各自用GlobalAveragePooling压成向量再拼接比直接 flatten 参数量小很多也更不容易过拟合。4.2 CNN-SVM 融合把 softmax 换成 SVMCNN 直接输出 softmax 在样本少的时候泛化能力弱这就是原文提到的「分类器泛化能力较弱」的问题。常见做法是把 CNN 最后一层Dense(128)的输出当特征训练一个 SVM 做最终分类。from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler # 假设 model 是上面搭好的双通道 CNN先训练到收敛 # 然后取融合层输出作为特征 feature_extractor Model(inputsmodel.input, outputsmodel.get_layer(index-3).output) X_train_feat feature_extractor.predict([X_spec_train, X_spa_train]) X_test_feat feature_extractor.predict([X_spec_test, X_spa_test]) # 特征标准化后再喂 SVM scaler StandardScaler() X_train_feat scaler.fit_transform(X_train_feat) X_test_feat scaler.transform(X_test_feat) svm SVC(kernelrbf, C1000, gammascale, probabilityTrue) svm.fit(X_train_feat, y_train) pred svm.predict(X_test_feat)逻辑说明get_layer(index-3)取的是融合层后面的 Dense 层输出具体索引要看你的网络结构用model.summary()确认。SVM 的C1000比普通场景大是因为 CNN 特征已经比较紧凑需要更大的惩罚系数来分开边界样本。gammascale是安全默认值如果精度不理想可以试gamma0.01到0.1之间。这一步的坑在于CNN 特征提取器和 SVM 要分开调先固定 CNN 调 SVM再回头微调 CNN同时调两边会互相干扰。5. 避坑与排查这份工程最容易翻车的五个地方高光谱工程的坑大多不在算法本身而在数据对齐、维度匹配和版本兼容上。下面这五条是我实际跑这类工程时踩过的按「现象 → 原因 → 解决」写清楚。5.1 精度异常高但分类图全黑现象训练时验证集 OA 到 99%但输出的分类图大片是背景色。原因样本划分时没剔除标签为 0 的背景像素分类器把背景也当成一类学了测试集里背景占多数精度虚高。解决在生成样本前加mask label 0只对前景像素做训练和评估分类图输出时再把背景填回去。5.2 空间通道输入形状报错现象ValueError: Input 0 is incompatible with layer conv2d。原因空间邻域块的形状是(patch_size, patch_size, spectral_dim)但构造时用了降维前的波段数和网络定义的spectral_dim对不上。解决确认空间块是在降维后的特征上取的或者网络输入层改成降维前的波段数两者必须一致。用print(X_spa.shape)在喂数据前检查一次。5.3 PCA 拟合时内存溢出现象对整幅影像做 PCA 时MemoryError。原因把(145, 145, 200)直接 reshape 成(21025, 200)没问题但如果数据是更大的场景或者用了float64内存会翻倍。解决读数据时就转float32PCA 用sklearn的IncrementalPCA分批拟合或者先按波段分组再降维别一次性处理全部波段。5.4 SVM 训练时间过长现象CNN 特征提取很快但 SVM 拟合卡住。原因样本数上万、特征维数 128 时RBF 核 SVM 的复杂度是 O(n²) 到 O(n³)。解决先用LinearSVC快速验证特征可分性再用 RBF或者对训练样本做分层抽样每类取固定数量比如每类 200 个训练 SVM测试集保持全量。5.5 日志目录为空、模型没保存现象跑完Part_4logs和model目录里什么都没有。原因代码里的保存路径是相对路径而你在别的目录下执行脚本文件写到了别处或者保存逻辑被注释掉了。解决在脚本开头用os.chdir(os.path.dirname(os.path.abspath(__file__)))切到脚本所在目录保存模型时用model.save(model/cnn_svm.h5)并确认目录存在。6. 进阶技巧把这份工程变成你自己的实验平台跑通只是起点真正有价值的是把它改成能验证你自己想法的平台。我一般会做三件事固定随机种子、加早停、把精度指标写进日志。import random, numpy as np, tensorflow as tf def set_seed(seed42): random.seed(seed) np.random.seed(seed) tf.random.set_seed(seed) set_seed(42) # 早停 模型检查点 callbacks [ tf.keras.callbacks.EarlyStopping(monitorval_loss, patience15, restore_best_weightsTrue), tf.keras.callbacks.ModelCheckpoint(model/best.h5, monitorval_loss, save_best_onlyTrue) ]固定种子是为了让每次实验可比不然你改了参数精度涨了 2%可能只是随机初始化运气好。patience15表示验证损失 15 轮不降就停高光谱训练通常 100 轮以内收敛设太大浪费时间。restore_best_weightsTrue保证最后用的是验证集最好的权重而不是最后一轮的。再进一步可以把Part_2的降维方法换成 LDA、LE 或者自己写的流形学习把Part_3的双通道换成注意力机制只要保持输入输出接口一致就能快速做消融实验。我习惯在logs里每次实验建一个带时间戳的子目录把参数配置和 OA/AA/Kappa 一起写进去回头对比不用翻代码。从那以后我每次拿到这类高光谱工程都强制先跑一遍降维探针、确认样本划分剔了背景、再端到端训练这三步走完基本不会出玄学问题。希望帮到你。本文还有配套的精品资源点击获取