分析图片中的光谱python python处理光谱数据

基于Python的高光谱图像监督分类与非监督分类

• 高光谱数据：点击此处可下载
• 用到的库：matplotlib、scipy、spectral、numpy
• 主要内容：监督分类（最大似然法）与非监督分类（K-means）及精度评定

欢迎有兴趣的朋友交流指点。最后，废话不多说直接上代码😄

import matplotlib.pyplot as plt
from scipy.io import loadmat
import spectral as spy
import numpy as np


def unsupervised_demo(src):  # K-means法 迭代方法生成聚类
    m, c = spy.kmeans(src, nclusters=6, max_iterations=30)  # 分为6类，最大迭代30次
    spy.imshow(classes=m)  # 显示分类结果
    plt.figure()
    for i in range(c.shape[0]):  # 显示分类后的各光谱曲线
        plt.plot(c[i])
    plt.pause(60)


def supervised_demo(src,gt):
    classes = spy.create_training_classes(src, gt)  # 创建训练类集合
    gmlc = spy.GaussianClassifier(classes)  # 高斯的最大似然分类法
    clmap = gmlc.classify_image(src)
    spy.imshow(classes=clmap)
    gt_results = clmap * (gt != 0)  # 为分好类的图像设定一个Mask
    gt_right = gt_results * (gt_results == gt)
    gt_errors = gt_results * (gt_results != gt)
    spy.imshow(classes=gt_right, title="right")  # 分类正确的部分
    spy.imshow(classes=gt_errors, title="errors")  # 分类错误的部分
    precision_evaluation(gt_results ,gt)  # 精度评定
    plt.pause(60)


def precision_evaluation(cla, gt):  # 精度评定
    def count_number(src):  # 统计分类数据
        dict_k = {}
        for row in range(src.shape[0]):
            for col in range(src.shape[1]):
                if src[row][col] not in dict_k:
                    dict_k[src[row][col]] = 0
                dict_k[src[row][col]] += 1
        dict_k = dict(sorted(dict_k.items()))
        del dict_k[0]  # 键为0的是未归类的部分,所以去掉
        class_sum = sum(dict_k.values())
        return dict_k, class_sum

    cla_dic, cla_sum = count_number(cla)  # 分类后的
    gt_dic, gt_sum = count_number(gt)  # 真实的
    gt_right = cla * (cla == gt)
    gt_right_dic, gt_right_sum = count_number(gt_right)  # 分类正确的

    p0 = gt_right_sum / gt_sum
    pe = 0

    for gt_key in gt_dic:
        if gt_key not in cla_dic:
            cla_dic[gt_key] = 0
            gt_right_dic[gt_key] = 0
            print("类别%s的用户精度为：0.0000,生产者精度为：0.0000" % gt_key)
        else:
            print("类别%s的用户精度为：%.4f," % (gt_key, gt_right_dic[gt_key] / cla_dic[gt_key]), end='')
            print("生产者精度为：%.4f" % (gt_right_dic[gt_key] / gt_dic[gt_key]))
        pe += gt_dic[gt_key] * cla_dic[gt_key]

    pe = pe / (gt_sum * gt_sum)
    kappa = (p0 - pe) / (1 - pe)
    overall_accuracy = gt_right_sum / gt_sum
    print("-" * 36)
    print("Kappa=", kappa)
    print("overall_accuracy", overall_accuracy)


# 加载mat格式的数据。loadmat输出的是dict，所以需要进行定位
input_image = loadmat('D:/Hyper/Indian_pines_corrected.mat')['indian_pines_corrected']
# input_image1 = loadmat('D:/Hyper/Salinas_corrected.mat')['salinas_corrected']  # 其他数据同理
gt = loadmat("D:/Hyper/Indian_pines_gt.mat")['indian_pines_gt']  # 加载真实类别
# 可视化影像
view = spy.imshow(data=input_image, bands=[69, 27, 11], figsize=(6, 6))
plt.pause(60)
# 分类
unsupervised_demo(input_image)
supervised_demo(input_image,gt)

可视化结果：

非监督分类结果：

类别光谱结果：

监督分类结果：

分类正确部分：

分类错误部分：

Q：为什么会有椒盐斑点？
A：感觉应该是噪声影响。

分类结果精度：

D:\Software\Anaconda3\python.exe D:/Software/temp/test.py
类别1的用户精度为：0.0000,生产者精度为：0.0000
类别2的用户精度为：0.9008,生产者精度为：0.9475
类别3的用户精度为：0.9878,生产者精度为：0.9783
类别4的用户精度为：1.0000,生产者精度为：1.0000
类别5的用户精度为：0.9979,生产者精度为：0.9979
类别6的用户精度为：0.9455,生产者精度为：0.9973
类别7的用户精度为：0.0000,生产者精度为：0.0000
类别8的用户精度为：0.8918,生产者精度为：1.0000
类别9的用户精度为：0.0000,生产者精度为：0.0000
类别10的用户精度为：0.8642,生产者精度为：0.9949
类别11的用户精度为：0.9815,生产者精度为：0.9059
类别12的用户精度为：0.8938,生产者精度为：0.9933
类别13的用户精度为：1.0000,生产者精度为：1.0000
类别14的用户精度为：0.9953,生产者精度为：0.9960
类别15的用户精度为：0.9948,生产者精度为：0.9896
类别16的用户精度为：0.0000,生产者精度为：0.0000
------------------------------------
Kappa= 0.9409099615877274
overall_accuracy 0.9480924968289589

Process finished with exit code 0