matlab打开ENVI高光谱影像

### 如何在 MATLAB 中打开和处理高光谱图像 #### 高光谱图像文件结构概述 高光谱图像通常由两个部分组成：一个是 `.hdr` 头文件，用于描述数据的元信息；另一个是实际的数据文件，常见的扩展名有 `.raw`, `.dat`, 或者其他自定义格式。这些数据文件包含了像素值以及对应的波段信息。 为了在 MATLAB 中加载和处理高光谱图像，可以采用以下几种常见的方式： --- #### 方法一：通过 ENVI 工具箱读取高光谱图像 如果安装了 ENVI 的工具箱或者类似的第三方插件，可以直接调用其功能来解析 `.hdr` 和对应的数据文件。以下是具体操作流程： ```matlab % 加载 ENVI 数据 data = multibandread('filename.dat', [rows, cols, bands], 'uint16=>single',... skip, interleave, 'headerlines', headerLines); ``` 上述代码中的参数解释如下： - `'filename.dat'`: 实际数据文件路径。 - `[rows, cols, bands]`: 图像的高度、宽度和波段数，可以从 `.hdr` 文件中获取[^1]。 - `skip`: 跳过的字节数，默认为 0。 - `interleave`: 数据排列方式（如 BSQ、BIL、BIP），同样可以在 `.hdr` 文件中找到。 - `'headerlines'`: 如果存在额外头部信息，则指定跳过行数。 这种方法依赖于 `.hdr` 文件提供完整的元信息支持。 --- #### 方法二：手动解析 .hdr 文件并加载原始数据 当无法使用现成工具包时，可以通过编程手段自行解析 `.hdr` 文件，并按照其中的信息配置加载相应的数据文件。例如： ```matlab fid = fopen('filename.hdr'); if fid == -1 error('Cannot open file.'); end % 解析 hdr 文件内容 (假设已知关键字位置) info = textscan(fid,'%s','Delimiter','\n'); fclose(fid); for i=1:length(info{1}) line = lower(strtrim(info{1}{i})); if contains(line,'samples') samples = str2double(extractAfter(line,'=')); % 获取列数 elseif contains(line,'lines') lines = str2double(extractAfter(line,'=')); % 获取行数 elseif contains(line,'bands') bands = str2double(extractAfter(line,'=')); % 获取波段数量 elseif contains(line,'data type') dataTypeStr = extractAfter(line,'='); switch dataTypeStr case {'1'} dataFormat = 'uchar'; case {'2'} dataFormat = 'short'; otherwise error('Unsupported data format.'); end elseif contains(line,'interleave') interleavingMode = extractAfter(line,'='); % 波段排列模式 end end % 根据解析结果加载数据 switch interleavingMode case 'bsq' imgData = reshape(fread('filename.dat', '*uint16'), [samples, lines, bands]); case 'bil' imgData = permute(reshape(fread('filename.dat', '*uint16'),... [bands, lines, samples]), [3, 2, 1]); case 'bip' imgData = permute(reshape(fread('filename.dat', '*uint16'),... [lines, samples, bands]), [2, 1, 3]); otherwise error('Unknown interleave mode.'); end ``` 此脚本实现了从 `.hdr` 文件中提取必要参数，并依据该信息正确加载关联的 `.dat` 文件[^2]。 --- #### 方法三：转换至更易处理的 .mat 格式 对于某些特定应用场合，可能希望先将原始高光谱数据预处理为 MATLAB 原生支持的 `.mat` 格式以便后续分析。这可通过以下步骤完成： 1. 利用 ENVI 将初始 RAW/ENVI 格式的高光谱数据导出为 TIFF 文件； 2. 在 MATLAB 中进一步加工这些中间产物直至最终存入 MAT 变量形式。 示例代码片段展示如何规范化 tiff 至 mat 过程： ```matlab imgTiff = imread('inputImage.tif'); % 导入单张或多帧 TIF 影像 normalizedImg = double(imgTiff)/max(max(max(double(imgTiff)))); % 正则化范围到[0,1] % 存储为 .mat 文件 save('outputFile.mat', 'normalizedImg'); ``` 值得注意的是，在保存之前需确保数值已被适当调整以适应目标需求，比如缩放到 uint8 类型区间 [0,255][^4]。 --- #### 总结 综上所述，MATLAB 提供灵活多样的途径让用户能够高效地导入与操控各种类型的高光谱资料。无论是借助外部库还是自主开发算法都能达成预期目的。

### 使用 MATLAB 进行高光谱图像分类 高光谱图像（HSI）提供了丰富的空间和光谱信息，这使得其在农业监测中的应用尤为有效[^1]。为了实现高光谱图像的分类，MATLAB 提供了强大的工具箱和支持向量机（SVM）、随机森林等多种机器学习算法。 下面是一个基于支持向量机（SVM）进行高光谱图像分类的简单示例： #### 数据准备 首先加载ENVI格式的高光谱数据文件，并读取标签信息。假设已经有一个训练集`trainData.mat`包含了样本像素及其对应的类别标签。 ```matlab % 加载训练数据 load('trainData.mat'); % 假设 trainData 包含变量 X (特征矩阵) 和 Y (标签) % 显示部分训练数据 disp('前五行训练数据:'); disp(X(1:5,:)); ``` #### 训练 SVM 模型 使用 `fitcsvm` 函数来创建并训练一个线性的二元分类器；对于多类问题，则可以通过设置 `'KernelFunction'` 参数为 'linear', 'rbf' 或其他核函数来进行处理。 ```matlab % 创建 SVM 分类模型 svmModel = fitcsvm(X, Y, ... 'Standardize', true,... 'ClassNames', unique(Y),... 'BoxConstraint', 1,... 'KernelScale', 'auto',... 'KernelFunction','linear'); % 展示训练好的模型参数 disp(svmModel); ``` #### 测试与评估 利用测试集验证模型性能，计算混淆矩阵以直观展示各类别的预测精度。 ```matlab % 加载测试数据 load('testData.mat'); % testData 应该包含 T_X (测试特征) 和 T_Y (真实标签) % 对新数据做预测 predictedLabels = predict(svmModel,T_X); % 绘制混淆矩阵图 confusionchart(T_Y,predictedLabels); ``` 此代码片段展示了如何通过MATLAB对高光谱影像执行基本的预处理、建模以及结果可视化操作。值得注意的是，在实际项目中可能还需要考虑更多因素如波段选择、降维等优化措施。