CNN高光谱图像分类代码py

### CNN 高光谱图像分类的 Python 代码实现 以下是基于 TensorFlow 和 PyTorch 的两种不同框架下，使用卷积神经网络 (CNN) 进行高光谱图像分类的 Python 代码示例。 --- #### **TensorFlow 实现** 此部分展示了如何利用 TensorFlow 构建一个简单的三维卷积神经网络 (3D-CNN)，用于高光谱图像分类任务。该代码适用于 TF2+Python3+cuda10.1+CuDNN7.6 环境[^1]。 ```python import tensorflow as tf from tensorflow.keras import layers, models def create_3d_cnn(input_shape, num_classes): model = models.Sequential() # 第一层卷积层 model.add(layers.Conv3D(filters=32, kernel_size=(3, 3, 3), activation='relu', input_shape=input_shape)) model.add(layers.MaxPooling3D(pool_size=(2, 2, 2))) # 第二层卷积层 model.add(layers.Conv3D(filters=64, kernel_size=(3, 3, 3), activation='relu')) model.add(layers.MaxPooling3D(pool_size=(2, 2, 2))) # 展平层 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(units=128, activation='relu')) # 输出层 model.add(layers.Dense(units=num_classes, activation='softmax')) return model # 定义输入形状和类别数 input_shape = (10, 10, 10, 200) # 示例：10x10 空间分辨率，200 波段 num_classes = 16 # 假设有 16 类标签 model = create_3d_cnn(input_shape, num_classes) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.summary() ``` --- #### **PyTorch 实现** 下面是一个基于 PyTorch 框架构建二维卷积神经网络 (2D-CNN) 的代码示例，适合处理高光谱图像的空间信息与光谱信息组合的任务[^2]。 ```python import torch import torch.nn as nn import torch.optim as optim class Simple2DCNN(nn.Module): def __init__(self, num_bands, num_classes): super(Simple2DCNN, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(in_channels=num_bands, out_channels=64, kernel_size=3, padding=1) self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 全连接层 self.fc1 = nn.Linear(64 * 14 * 14, 128) # 输入大小需根据实际调整 self.fc2 = nn.Linear(128, num_classes) def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = x.view(-1, 64 * 14 * 14) # 调整尺寸以适应全连接层 x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # 初始化模型参数 num_bands = 200 # 假设波段数量为 200 num_classes = 16 # 假设有 16 类标签 device = 'cuda' if torch.cuda.is_available() else 'cpu' model = Simple2DCNN(num_bands, num_classes).to(device) optimizer = optim.Adam(model.parameters(), lr=0.001) loss_fn = nn.CrossEntropyLoss() print(model) ``` --- #### **Indian Pines 数据集上的 CNN 应用实例** 以下是对 Indian Pines 数据集进行高光谱图像分类的具体实现案例[^3]： ```python import numpy as np from sklearn.model_selection import train_test_split from keras.utils import to_categorical # 加载数据（假设已预处理） data = np.load('indian_pines_data.npy') # 形状为 (样本数, 行, 列, 波段) labels = np.load('indian_pines_labels.npy') # 数据划分 X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42) # 标签编码 y_train_encoded = to_categorical(y_train) y_test_encoded = to_categorical(y_test) # 创建模型 input_shape = X_train.shape[1:] num_classes = y_train_encoded.shape[1] model = create_3d_cnn(input_shape, num_classes) model.fit(X_train, y_train_encoded, validation_data=(X_test, y_test_encoded), epochs=10, batch_size=32) ``` --- #### **图卷积神经网络 (GCN)** 如果希望进一步探索更复杂的结构，可以尝试基于图卷积神经网络的方法来完成高光谱图像分类任务[^4]。具体代码已在引用中提供，此处不再赘述。 --- ### 总结 以上分别介绍了基于 TensorFlow 和 PyTorch 的 CNN 高光谱图像分类方法，并提供了针对 Indian Pines 数据集的应用实例。这些代码可以根据具体的实验需求灵活修改。 ---