高光谱图像（Hyperspectral Image, HSI）处理是一种涉及遥感、计算机视觉和机器学习的综合任务，广泛应用于农业、地质、环境监测等领域。一个典型的Python项目结构通常会遵循模块化设计原则，以提高代码的可维护性和复用性。 以下是一个通用的高光谱图像处理项目的推荐目录结构： ``` hsi_project/ │ ├── data/ # 存放原始数据集和预处理后的数据 │ ├── raw/ # 原始高光谱图像数据 │ └── processed/ # 预处理后的数据（如归一化、裁剪等） │ ├── models/ # 模型相关文件 │ ├── cnn.py # CNN模型定义 │ ├── resnet.py # ResNet模型定义 │ └── trainer.py # 训练器逻辑 │ ├── utils/ # 工具函数 │ ├── preprocessing.py # 图像预处理（如去噪、波段选择等） │ ├── visualization.py # 可视化工具（如绘制光谱曲线、特征图等） │ └── metrics.py # 评估指标（如OA、AA、Kappa等） │ ├── config/ # 配置文件 │ └── config.yaml # 存储训练参数、路径配置等 │ ├── datasets/ # 数据集加载器 │ └── hsi_dataset.py # 自定义Dataset类用于PyTorch DataLoader │ ├── scripts/ # 脚本文件 │ ├── train.py # 训练脚本入口 │ └── evaluate.py # 测试/评估脚本入口 │ ├── logs/ # 日志文件输出目录 │ ├── results/ # 实验结果保存目录（如预测图、混淆矩阵等） │ ├── requirements.txt # 项目依赖库列表 │ └── README.md # 项目说明文档 ``` ### 解释： - **data/**：用于集中管理所有输入数据，包括原始数据和预处理后的数据。 - **models/**：包含各种深度学习模型定义及训练逻辑。 - **utils/**：封装常用辅助函数，如图像预处理、可视化、性能评估等。 - **config/**：配置文件，便于统一管理超参数和路径设置。 - **datasets/**：自定义数据集加载器，适配PyTorch或TensorFlow的数据流。 - **scripts/**：主程序入口脚本，如训练和测试流程。 - **logs/** 和 **results/**：分别用于记录训练日志和保存实验结果。 - **requirements.txt**：列出项目所需的所有第三方库及其版本。 - **README.md**：项目介绍和使用说明，帮助他人快速上手。 --- ### 示例代码片段（数据预处理）： ```python # utils/preprocessing.py import numpy as np def normalize_hsi(hsi_data): """对高光谱图像进行归一化处理""" min_val = np.min(hsi_data) max_val = np.max(hsi_data) return (hsi_data - min_val) / (max_val - min_val) def apply_band_selection(hsi_data, selected_bands): """选择指定的波段""" return hsi_data[:, :, selected_bands] ``` --- ### 示例代码片段（模型定义）： ```python # models/cnn.py import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, input_channels, num_classes): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(input_channels, 32, kernel_size=3, padding=1) self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1) self.pool = nn.MaxPool2d(2, 2) self.fc = nn.Linear(64 * 8 * 8, num_classes) # 假设最终特征图大小为8x8 def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = self.pool(torch.relu(self.conv2(x))) x = x.view(-1, 64 * 8 * 8) return self.fc(x) ``` --- ### 示例代码片段（训练脚本）： ```python # scripts/train.py from models.cnn import SimpleCNN from datasets.hsi_dataset import HSIDataset from torch.utils.data import DataLoader import torch import torch.optim as optim import torch.nn as nn # 加载数据集 dataset = HSIDataset(root_dir='../data/processed') loader = DataLoader(dataset, batch_size=16, shuffle=True) # 初始化模型、损失函数和优化器 model = SimpleCNN(input_channels=30, num_classes=10) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练循环 for epoch in range(10): # 假设训练10轮 for images, labels in loader: outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() print(f"Epoch {epoch+1}, Loss: {loss.item()}") ``` ---