利用 Python + t-SNE 可视化高光谱遥感影像特征分布：WHU-HI-HanChuan 案例实战

关注

VIP免费原创最新推荐文章于 2026-10-21 14:29:42 发布 895 阅读 AI 写同款· GEO 优化 ›

基于Phython利用CatBoost与PCA解析高光谱图像分类：WHU-HI-HanChuan数据集实战教程本文以武汉大学WHU-Hi-HanChuan高光谱遥感数据集为例，提出了一套完整的遥感分类流程。首先采用PCA对274个波段降维至30维（保留99%以上信息），然后构建CatBoost分类模型，在测试集上取得较高准确率。研究重点包括：1)通过主成分特征重要性分析识别关键光谱特征；2)利用网格搜索评估参数敏感性；3)实现全图分类可视化。结果展示了CatBoost在高光谱分类中的优势，并提供了特征可解释性分析。代码开源，包含数据预处理、降维、建模、评估全流程，可作为高光谱遥感分类的入门教程。阅读详情

作者注：本案例基于武汉大学提供的 WHU-Hi-HanChuan 高光谱遥感数据集，结合 Python 中的 PCA、LLE 及 t-SNE 等降维算法，演示如何通过降维可视化技术，理解遥感影像中各地物类别的特征分布与聚类结构。本教程包含完整代码，可直接用于科研辅助分析、可视化展示与教学示例。

一、t-SNE 在遥感影像中的意义

遥感影像（尤其是高光谱影像）拥有数十甚至上百个光谱波段，这种高维特征虽然蕴含丰富信息，但也存在维度灾难、可视化困难与冗余特征干扰等问题。

t-SNE（t-Distributed Stochastic Neighbor Embedding） 是一种非线性降维方法，擅长保留局部结构信息，在高维特征空间中发现并呈现聚类趋势与类别边界，在遥感分类、样本分析、伪样本筛选等环节具有重要作用。

二、数据说明与目标

本实验数据集为 WHU-HI-HanChuan：

下载地址：https://rsidea.whu.edu.cn/resource_WHUHi_sharing.htm
图像尺寸：Height × Width × Bands
标签说明：像素标签范围1-16，0表示无标签区域。
参考文献：

Zhong et al., “WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2) benchmark datasets and classifier for precise crop identification…”, Remote Sens. Environ., 2020.

Zhong et al., “Mini-UAV-borne hyperspectral remote sensing: From observation and processing to applications”, IEEE GRSM, 2018.

主要目标：

使用 PCA 和 LLE 提取低维特征
利用 t-SNE 将其进一步压缩到二维
比较不同特征提取方法下，地物类别的聚类效果

三、Python代码实现

以下为完整的 Python 实现流程：

数据加载与预处理

import os
import numpy as np
import scipy.io
import matplotlib.pyplot as plt
import matplotlib

# 中文字体与负号显示
matplotlib.rcParams['font.family'] = 'SimHei'
matplotlib.rcParams['axes.unicode_minus'] = False

# 数据路径
data_dir = r"your_path"
x_path = os.path.join(data_dir, "WHU_Hi_HanChuan.mat")
y_path = os.path.join(data_dir, "WHU_Hi_HanChuan_gt.mat")

# 读取数据
def load_data