企业官网建设流程全解析

以下是基于文档中高光谱数据处理的核心代码及输出示例总结：

一、基本操作

1.读取高光谱数据

import spectral # 读取ENVI格式数据（支持.raw/.spe/.lan等） img = spectral.envi.read_envi(file='my_data.hdr', image='my_data')

在使用spectral（SPy）库处理遥感数据时，这些文件通常都必须配合一个同名的.hdr头文件才能被正确读取。

以下是这三种格式的具体解释：

📂 1. raw (Raw Binary)

• 含义：原始二进制文件（Raw Binary）。
• 特点：这是最通用的格式。它只包含纯粹的图像数据流（像素值），没有任何文件头信息。计算机本身不知道这个文件有多少行、多少列、多少个波段。
• 如何读取：必须依赖同目录下的.hdr文件。.hdr文件中记录了数据的维度（行、列、波段数）、数据类型（如float32）、存储方式（BSQ/BIL/BIP）等元数据。
• 对应代码：在你的代码中，如果数据是这种格式，image='my_data.raw'。

📂 2. spe (Spectral Image)

• 含义：光谱图像文件。
• 特点：这是某些遥感软件（如早期的 ENVI 版本或其他光谱处理工具）中专门用于存储光谱数据的二进制格式。
• 注意：它本质上也是二进制数据，只是扩展名被约定为.spe来表明其光谱属性。处理方式与.raw完全一致，同样需要.hdr头文件来解释数据结构。

📂 3. lan (Landsat Image)

• 含义：特定格式的图像文件（可能是旧版 ENVI 的特定数据格式）。
• 背景：在 ENVI 软件的早期版本或某些特定模块中，.lan曾被用作某些图像处理结果的输出后缀。在spectral库的文档中，它被列为支持的读取格式之一。
• 特点：它依然是二进制栅格数据，结构上与.raw类似，但在某些特定的数据集（如经典的 AVIRIS 数据集示例）中会出现。

2.加载数据与元数据

# 加载完整数据为多维数组 data = img.load() # 读取元数据（坐标系、变换系数） metadata = img.metadata projection = metadata['pseudo projection info'] rpc = metadata['rpc info']

这三行代码是处理高光谱遥感数据时读取关键元数据的操作，具体含义如下：

1.metadata = img.metadata

• 作用：从高光谱数据对象img中提取元数据（metadata）
• 说明：img是通过spectral库（如open_image()或read_envi()）加载的高光谱数据对象，其metadata属性包含数据的附加信息（如坐标系、波段信息、采集参数等）。此操作将元数据存储为字典对象metadata。

2.projection = metadata['pseudo projection info']

• 作用：获取数据的坐标系和空间投影信息
• 关键字段：
  • 'pseudo projection info'是 ENVI 格式文件中存储投影信息的特定键名，其值通常是一个列表或字符串，包含：
    • 坐标系类型（如地理坐标系GEOGCS或投影坐标系PROJCS）
    • 椭球体参数（如WGS84）
    • 投影方式（如UTM、Albers等）
    • 单位（如meter或degree）
• 示例值：

  ['PROJCS["WGS84_UTM_Zone_50N", ...]', 'UNIT["meter",1]'] # 表示 WGS84 坐标系下的 UTM 投影

3.rpc = metadata['rpc info']

• 作用：读取 RPC（Rational Polynomial Coefficients 有理多项式系数）模型参数
• 核心意义：
  • RPC 是遥感影像几何校正的数学模型，用于描述图像坐标（行列号）与地理坐标（经纬度）之间的转换关系。
  • 其值通常是一个包含 80 个系数的列表（或字典），分为正向模型（图像→地理）和反向模型（地理→图像）两组。
• 应用场景：
  • 高精度几何校正（尤其适用于卫星影像）
  • 三维地形重建
  • 与其他地理数据的空间配准

3.波段操作

# 获取前10个波段子集 subset = img.extract(0, 10) # 读取单个波段 data0 = img.read_band(0) # 获取波长信息 wavelength_units = img.bands.band_unit # 波长单位 wl = img.bands.centers # 中心波长 bandwidth = img.bands.bandwidths # 光谱分辨率 # 输出示例： # [10.0, 8.0, 12.0] # 单位：纳米（nm）

4.显示与保存图像

from spectral import * img = open_image('92AV3C.lan') #每个波段对应特定波长范围的光谱信息。29, 19, 9 表示选择第 29、19、9 个波段（按波长顺序排列）作为 RGB 三通道，用于生成彩色图像 view = imshow(img, (29, 19, 9)) # 显示RGB合成图像 save_rgb('rgb.jpg', img, ) # 保存为RGB图像

输出示例：

ImageView object: Display bands : (29, 19, 9) RGB data limits : R: [2054.0, 6317.0] G: [2775.0, 7307.0] B: [3560.0, 7928.0]

二、光谱算法

1.K-means聚类

(m, c) = kmeans(image=img, nclusters=20, max_iterations=30) # 可视化聚类中心 import matplotlib.pyplot as plt plt.figure() for i in range(c.shape): plt.plot(c[i]) plt.grid()

2.监督分类（高斯最大似然法）

# 加载真实标签 gt = open_image('92AV3GT.GIS').read_band(0) # 创建训练集并训练分类器 classes = create_training_classes(img, gt) gmlc = GaussianClassifier(classes) clmap = gmlc.classify_image(img) # 分类结果图 # 显示分类结果与误差 gtresults = clmap * (gt != 0) gterrors = gtresults * (gtresults != gt) imshow(classes=gterrors) # 误差图

3.降维（主成分分析）

# 计算主成分 pc = principal_components(img) # 保留99.9%方差的主成分 pc_0999 = pc.reduce(fraction=0.999) img_pc = pc_0999.transform(img) # 降维后数据 # 可视化前3个主成分 imshow(img_pc[:, :, :3], stretch_all=True)

三、应用案例

植被与土壤分类（SVM示例）

# 1. 数据预处理（PCA降维） from sklearn.decomposition import PCA X = img.load().reshape((-1, img.shape[-1])) pca = PCA(n_components=30) X_pca = pca.fit_transform(X) # 2. 划分训练集 from sklearn.model_selection import train_test_split y = img.read_band(145) # 真实标签 X_train, X_test, y_train, y_test = train_test_split(X_pca, y, test_size=0.3) # 3. SVM分类 from sklearn.svm import SVC clf = SVC(kernel='linear') clf.fit(X_train, y_train) # 4. 评估结果 from sklearn.metrics import classification_report y_pred = clf.predict(X_test) print(classification_report(y_test, y_pred))

输出示例：

precision recall f1-score support 0 0.95 0.92 0.93 150 1 0.88 0.93 0.90 120 accuracy 0.91 270 macro avg 0.91 0.92 0.92 270 weighted avg 0.92 0.91 0.92 270

关键依赖库

• spectral：高光谱数据处理核心库。
• scikit-learn：机器学习算法（分类、降维）。
• matplotlib：可视化光谱曲线与结果。

以上代码均基于文档中的实际案例，适用于高光谱数据的读取、分析、分类及应用开发。