【实例简介】
首先利用PCA进行降维,并利用SVM对高光谱数据进行分类,数据采用印第安纳农场数据,训练样本比例可调,设计了一个GUI
【实例截图】
【核心代码】
高光谱
└── 高光谱
├── Confusmat.m
├── GetcgCrossvalidate.m
├── HSIclassificationGUI.fig
├── HSIclassificationGUI.m
├── HSIdisplay1.m
├── Indian_pines_corrected.mat
├── Indian_pines_gt.mat
├── SPCA.m
├── SampleSelect.m
├── classification.m
├── fenlei.m
├── jingdujiance.m
├── libsvm-3.18
│ ├── COPYRIGHT
│ ├── FAQ.html
│ ├── Makefile
│ ├── Makefile.win
│ ├── README
│ ├── heart_scale
│ ├── java
│ │ ├── Makefile
│ │ ├── libsvm
│ │ │ ├── svm.java
│ │ │ ├── svm.m4
│ │ │ ├── svm_model.java
│ │ │ ├── svm_node.java
│ │ │ ├── svm_parameter.java
│ │ │ ├── svm_print_interface.java
│ │ │ └── svm_problem.java
│ │ ├── libsvm.jar
│ │ ├── svm_predict.java
│ │ ├── svm_scale.java
│ │ ├── svm_toy.java
│ │ ├── svm_train.java
│ │ └── test_applet.html
│ ├── matlab
│ │ ├── Makefile
│ │ ├── README
│ │ ├── libsvmread.c
│ │ ├── libsvmwrite.c
│ │ ├── make.m
│ │ ├── svm_model_matlab.c
│ │ ├── svm_model_matlab.h
│ │ ├── svmpredict.c
│ │ └── svmtrain.c
│ ├── python
│ │ ├── Makefile
│ │ ├── README
│ │ ├── svm.py
│ │ └── svmutil.py
│ ├── svm-predict.c
│ ├── svm-scale.c
│ ├── svm-toy
│ │ ├── gtk
│ │ │ ├── Makefile
│ │ │ ├── callbacks.cpp
│ │ │ ├── callbacks.h
│ │ │ ├── interface.c
│ │ │ ├── interface.h
│ │ │ ├── main.c
│ │ │ └── svm-toy.glade
│ │ ├── qt
│ │ │ ├── Makefile
│ │ │ └── svm-toy.cpp
│ │ └── windows
│ │ └── svm-toy.cpp
│ ├── svm-train.c
│ ├── svm.cpp
│ ├── svm.def
│ ├── svm.h
│ ├── tools
│ │ ├── README
│ │ ├── checkdata.py
│ │ ├── easy.py
│ │ ├── grid.py
│ │ └── subset.py
│ └── windows
│ ├── libsvm.dll
│ ├── libsvmread.mexw64
│ ├── libsvmwrite.mexw64
│ ├── svm-predict.exe
│ ├── svm-scale.exe
│ ├── svm-toy.exe
│ ├── svm-train.exe
│ ├── svmpredict.mexw64
│ └── svmtrain.mexw64
├── liweihao.m
├── myPCA.m
├── pca_1.m
├── scale.m
└── svmTrain.m
12 directories, 80 files