多光谱遥感分类(三):CNN提取特征+RF分类

继上篇。

CNN特征+其他分类器

提取特征。

import gdal
from keras import Model
from keras.models import load_model
import numpy as np
import cv2
import os
import pandas as pd


model=load_model("output/classify3_vgg16_pro.h5")
# model.trainable=False
dense1_layer_model = Model(inputs=model.input,outputs=model.layers[-2].output)
dense1_layer_model.trainable=False
dense1_layer_model.summary()

dataset = gdal.Open(r"D:/test.tif")
size=128
def get_cell( pos_x, pos_y):
    try:
        output = []
        for i in [3,2,1]:
            band = dataset.GetRasterBand(i)
            t = band.ReadAsArray(int(pos_x - size / 2), int(pos_y - size / 2), size, size)
            output.append(t)
        img2 = np.moveaxis
  • 3
    点赞
  • 60
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
基于CNN的高光谱遥感图像的分类研究通常需要使用MATLAB来实现。在MATLAB中,可以使用Deep Learning Toolbox来实现基于CNN的高光谱遥感图像分类。 以下是一种可能的MATLAB代码实现: 1. 导入数据集 首先,你需要导入高光谱遥感图像的数据集。可以使用MATLAB的图像处理工具箱中的函数来读取和处理图像数据。 2. 数据预处理 在进行图像分类之前,需要对数据进行预处理。这包括数据归一化、降维和特征提取等操作。例如,可以使用MATLAB中的函数将高光谱图像降维为二维,然后提取出一些重要的频谱特征。 3. 构建CNN模型 在MATLAB中,可以使用Deep Learning Toolbox来构建CNN模型。可以选择合适的网络结构和层次配置,如卷积层、池化层和全连接层。还可以使用Batch Normalization和Dropout等技术来降低过拟合问题。 4. 训练模型 使用导入的高光谱遥感图像数据集来训练CNN模型。可以使用MATLAB的深度学习工具箱提供的训练函数来逐步调整模型的权重和偏置,以获得最佳的分类性能。 5. 评估模型 在训练完成后,需要评估模型在测试集上的性能。可以使用MATLAB的深度学习工具箱提供的测试函数计算模型在测试集上的准确率、召回率和F1值等评估指标。 6. 模型应用 训练完成的模型可以用于新的高光谱遥感图像的分类。可以使用MATLAB提供的函数来加载并使用已训练的模型进行预测。 以上是基于CNN的高光谱遥感图像分类研究的一种MATLAB代码实现的简要介绍。在实际应用中,可能还需要根据具体问题进行参数调优和模型改进。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值