### 使用Python通过主成分分析(PCA)从高光谱图像中提取特征波段 #### 数据准备与预处理 为了执行主成分分析（PCA），需要先加载并预处理高光谱图像数据。通常情况下，高光谱图像是三维数组形式存储的数据集，其中两个维度表示空间位置，另一个维度表示光谱信息。 如果原始数据是以 `.tif` 文件格式保存，则可以将其转换为 MATLAB 的 `.mat` 格式以便于后续操作[^3]： ```python import scipy.io as sio from skimage.io import imread # 加载 .tif 图像文件 img_path = 'example.tif' image_data = imread(img_path) # 将 tif 转换为 mat 并保存到本地 sio.savemat('example.mat', {'image': image_data}) ``` #### 主成分分析实现过程 以下是基于 `scikit-learn` 库中的 PCA 方法来完成高光谱图像的特征波段提取的过程[^2][^3]: 1. **标准化数据** 高光谱数据可能具有不同的量纲范围，因此在应用 PCA 前需对其进行标准化处理。 2. **降维与重构** 利用 PCA 对数据进行降维，并选取贡献率较高的主成分作为特征波段。 具体代码如下所示： ```python import numpy as np from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt # 读取已转换好的 MAT 数据 data_mat = sio.loadmat('example.mat') image_data = data_mat['image'] # 提取光谱维度 (假设最后一维是光谱维度) num_bands = image_data.shape[-1] # 展平空间维度以适应 PCA 输入需求 reshaped_image = image_data.reshape(-1, num_bands) # 数据标准化 scaler = StandardScaler() scaled_data = scaler.fit_transform(reshaped_image) # 初始化 PCA 模型 pca_model = PCA(n_components=0.95) # 设置保留方差比例为 95% principal_components = pca_model.fit_transform(scaled_data) # 输出解释方差比率 explained_variance_ratio = pca_model.explained_variance_ratio_ print(f"各主成分解释方差的比例: {explained_variance_ratio}") # 可视化前几个主成分的结果 plt.figure(figsize=(8, 6)) for i in range(min(len(explained_variance_ratio), 5)): plt.subplot(2, 3, i + 1) component_map = principal_components[:, i].reshape(image_data.shape[:2]) plt.imshow(component_map, cmap='gray') plt.title(f'PC-{i+1}') plt.axis('off') plt.tight_layout() plt.show() # 获取对应的特征向量用于反投影回原波段 feature_vectors = pca_model.components_ # 计算重要波段索引 band_importance = np.abs(feature_vectors).sum(axis=0) selected_bands_indices = band_importance.argsort()[::-1][:int(num_bands * 0.1)] # 选择前 10% 波段 print(f"选定的重要波段索引: {selected_bands_indices}") ``` 上述代码实现了以下功能： - 数据展平：将二维空间坐标映射至一维向量； - 数据缩放：利用标准差归一化数值分布； - PCA 运行：调用 scikit-learn 中的 PCA 函数计算主要分量； - 结果可视化：绘制若干个主成分的空间分布情况； - 特征波段提取：依据特征向量绝对值总和筛选出最重要的波段。 #### 注意事项 - 如果希望手动指定要保留的主成分数目而非百分比阈值，可以通过调整参数 `n_components=int_value` 来控制输出维度大小。 - 当面对非常大的高光谱矩阵时，建议采用增量版 PCA (`IncrementalPCA`) 或稀疏编码技术降低内存占用[^1].