### 高光谱图像数据处理与应用 #### 主成分分析降维 为了降低计算成本并提高效率，在处理高光谱图像(HSI)之前通常会先对其进行主成分分析(PCA)，从而保留信息量最大且最能代表原图特性的几个主要分量[^4]。 ```python from sklearn.decomposition import PCA def pca_reduction(hsi_data, n_components=0.95): """ 对高光谱影像进行主成分分析降维 参数: hsi_data (numpy.ndarray): 输入的高光谱影像数据. n_components (float or int): 要保持的信息比例或指定的具体维度数量. 返回: numpy.ndarray: 经过PCA变换后的低维表示形式的数据矩阵. """ pca = PCA(n_components=n_components) reduced_data = pca.fit_transform(hsi_data.reshape(-1, hsi_data.shape[-1])) return reduced_data.reshape(*hsi_data.shape[:-1], -1), pca.explained_variance_ratio_ ``` #### 构建训练样本块 接着围绕已标注好的像素点创建局部区域作为输入给定模型的学习单元，以便更好地捕捉周围环境特征以及上下文关系。通过这种方式可以有效地提升分类精度。 ```python import numpy as np def create_patches(image, labels, patch_size=7): """根据中心位置裁剪出固定大小的邻域窗口""" half_patch = patch_size // 2 patches = [] for i in range(half_patch, image.shape[0]-half_patch): for j in range(half_patch, image.shape[1]-half_patch): if not np.isnan(labels[i,j]): patch = image[(i-half_patch):(i+half_patch+1), (j-half_patch):(j+half_patch+1)] patches.append(patch.flatten()) return np.array(patches).reshape((-1,) + tuple([patch_size]*2+(image.shape[-1]))) ``` #### 利用深度神经网络实现自动编码器 随着硬件设施的进步及算法的发展，采用深层架构如卷积自编码器(CAEs)、循环神经元(RNNs)甚至更复杂的结构来进行无监督预训练成为可能；它们可以从海量未标记样本中发现隐藏模式，并将其迁移到下游任务当中去[^3]。 ```python import tensorflow.keras.layers as layers from tensorflow.keras.models import Model def build_autoencoder(input_shape=(None,None,64)): inputs = layers.Input(shape=input_shape) # Encoder部分 encoded = layers.Conv2D(filters=32,kernel_size=(3,3),activation='relu',padding="same")(inputs) encoded = layers.MaxPooling2D(pool_size=(2,2))(encoded) ... decoded = ... # Decoder部分省略 autoencoder = Model(inputs,decoded,name="autoencoder") encoder = Model(inputs,encoded,name="encoder") return autoencoder, encoder ``` #### 结合Transformer机制改进空间-光谱特性表达 考虑到传统CNN虽然擅长于获取局部纹理细节却难以兼顾全局依赖性的问题，引入了注意力机制以增强远距离交互作用力的同时也加强了跨尺度关联度。这种混合型策略有助于进一步改善最终识别效果[^5]。 ```python class SpatialSpectralAttention(layers.Layer): def __init__(self,**kwargs): super().__init__(**kwargs) def call(self,x): batch_size,height,width,num_bands=x.get_shape().as_list() qkv=self.dense(x,(height*width*num_bands)*3)//num_heads queries=qkv[:,:,:,:batch_size] keys=qkv[:,:,:,batch_size:(2*batch_size)] values=qkv[:,:,2*batch_size:] attention_scores=tf.matmul(tf.transpose(keys,[0,2,1]),queries)/tf.sqrt(float(batch_size)) attention_weights=tf.nn.softmax(attention_scores,axis=-1) attended_values=tf.matmul(values,attention_weights) output=tf.concat(attended_values,-1)+x return self.layer_norm(output) ```