基于支持向量机的几种数据预处理的高光谱数据集分类分析

最新推荐文章于 2024-08-19 15:52:35 发布

xiao韩

最新推荐文章于 2024-08-19 15:52:35 发布

阅读量7.5k

点赞数 9

分类专栏： Python与AI 文章标签：高光谱图像分类；支持向量机；PCA；LDA

本文链接：https://blog.csdn.net/qq_28821995/article/details/81144301

版权

该博客探讨了使用PCA和LDA数据预处理方法结合支持向量机（SVM）进行高光谱图像分类的实验。通过将.mat数据转换为CSV文件，对Salinas数据集进行预处理，包括PCA和LDA降维，然后利用SVM的线性、多项式和高斯核函数进行分类。文中还展示了如何使用GridSearchCV寻找最佳参数，并保存训练好的模型。实验结果显示PCA-LDA-RBF SVM组合表现出色。

摘要由CSDN通过智能技术生成

首先在这里就不介绍支持向量机和高光谱图像数据集了，本文将着重用实验代码结果来分析数据集的预处理部分和支持向量机的核函数选择。

这里的数据预处理有三种，分别是PCA;LDA;PCA+LDA。支持向量机的核函数也是选择了三种，分别是线性核函数；多项式核函数；高斯核函数。

这里先将.mat的数据转化为python后续算法处理的csv文件。

import matplotlib.pyplot as plt
import numpy as np
from scipy.io import loadmat
import spectral
from sklearn import preprocessing
import scipy.io as sio

input_image=sio.loadmat(r'F:\Python+AI_ML_DL全套\高光谱数据集\数据集\Salinas.mat')['salinas']
output_image=sio.loadmat(r'F:\Python+AI_ML_DL全套\高光谱数据集\数据集\Salinas_gt.mat')['salinas_gt']

# 除掉 0 这个非分类的类，把所有需要分类的元素提取出来
need_label = np.zeros([output_image.shape[0],output_image.shape[1]])
for i in range(output_image.shape[0]):
for j in range(output_image.shape[1]):
if output_image[i][j] != 0: