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

关注

VIP免费原创最新推荐文章于 2026-10-26 15:37:52 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

利用 Python + t-SNE 可视化高光谱遥感影像特征分布：WHU-HI-HanChuan 案例实战本文基于武汉大学WHU-Hi-HanChuan高光谱遥感数据集，演示了使用PCA、LLE和t-SNE降维算法进行遥感影像特征可视化的方法。文章详细介绍了数据预处理、随机采样、特征提取（PCA和LLE）及t-SNE降维的完整Python实现流程，并对比了不同降维方法的可视化效果。结果表明，t-SNE能有效展示高光谱数据的聚类趋势和类别边界，为遥感影像分析提供了直观的特征分布可视化工具。文末还建议了UMAP、AutoEncoder等进阶研究方向。阅读详情

作者注：本文以武汉大学的 WHU-HI-HanChuan 高光谱遥感数据集为例，采用 PCA 进行波段降维，再利用 CatBoost 构建分类模型，并结合主成分特征重要性分析与参数敏感性评估，构建了完整的遥感分类流程（本篇仍然是入门教程，重点放在参数分析，大家注意下如何制图）。

一、数据说明

数据名称：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.

二、完整代码详解

📌 请将 data_dir 替换为你的本地数据路径，如 r"F:\YourFolder"。

# -*- coding: utf-8 -*-
import os
import numpy as np
import scipy.io
import matplotlib.pyplot as plt
import matplotlib
import pandas as pd

from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import accuracy_score, classification_report
from catboost import CatBoostClassifier

# 设置中文显示和负号
matplotlib.rcParams['font.family'] = 'SimHei'
matplotlib.rcParams['axes.unicode_minus'] = False

# ===================== 1. 数据加载 =====================
data_dir = r"your_path"  # 修改为你自己的路径
x_path = os.path.join(data_dir, "WHU_Hi_HanChuan.mat")
y_path = os.path.join(data_dir, "WHU_Hi_HanChuan_gt.mat")

def load_data(x_path, y_path):
    x_data = scipy.io.loadmat(x_path)
    y_data = scipy.io.loadmat(y_path