机器学习入门基础 | 基于python的高光谱图像特征挖掘：PCA + 形态学属性处理可视化实战

遥感AI实战

最新推荐文章于 2026-10-25 16:18:23 发布

关注

VIP机器学习入门基础 | 基于python的高光谱图像特征挖掘：PCA + 形态学属性处理可视化实战

本文介绍了一种基于PCA和形态学操作的高光谱图像特征提取方法。通过主成分分析降低数据维度，再运用面积开闭操作增强空间结构特征，有效去除噪声并填补孔洞。实验采用WHU-HI-HanChuan数据集，提供完整的Python实现代码，包括数据加载、PCA降维、形态学处理及结果可视化等步骤。该方法能够显著改善图像质量，为后续分类和变化检测任务提供更好的特征输入。实验结果表明，不同阈值的形态学处理能呈现不同程度的空间结构增强效果，对区域生长、分割和聚类等应用具有重要价值。

开通可读全文 ·1k 人阅读

最低0.47元/天解锁文章

作者注：本文基于武汉大学WHU-HI-HanChuan高光谱数据集，介绍如何通过**主成分分析（PCA）与形态学属性操作（Area Opening & Closing）**实现特征挖掘与图像增强。该方法可以帮助我们更好地观察地物空间结构，为后续分类与变化检测提供先验特征。附完整Python代码与逐步讲解，助你掌握特征可视化的实用技巧。

一、背景介绍：特征挖掘在高光谱分析中的价值

高光谱遥感图像具有连续细致的光谱信息，为地物识别提供了强有力的依据。然而，面对成百上千个波段，如何有效提取和可视化有用的特征，成为遥感应用中的关键挑战。

为此，本文结合：

PCA（主成分分析）：降低数据维度，提取主要信息；
形态学属性操作（Area Opening/Closing）：增强空间结构特征，如去除小斑块、填补小孔洞。

本文使用的实验数据为 WHU-HI-HanChuan 数据集，公开下载地址：

🔗 https://rsidea.whu.edu.cn/resource_WHUHi_sharing.htm

二、实验目标与流程

本实验的目标如下：

加载高光谱数据及地物标签；
利用PCA提取第一主成分作为灰度图；
对PCA图像应用形态学的开/闭操作；
将所有图像可视化在同一图中，便于比较；
保存图像结果用于后续分析。

三、Python代码详解与实现

（1）中文显示支持与必要库导入

为避免中文乱码与负号显示问题，首先进行Matplotlib参数设置：

import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei'  # 支持中文
matplotlib.rcParams['axes.unicode_minus'] = False  # 正常显示负号

同时导入主要库：

import os
import numpy as np
import scipy.io
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from skimage.morphology import area_opening, area_closing

（2）路径与文件读取设置

指定数据路径（根据自己实际路径修改）：

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")

创建输出目录：

save_dir = os.path.join(data_dir, "MAP_Images")
os.makedirs(save_dir, exist_ok=True)

（3）数据加载函数定义

def load_data(x_path, y_path):
    x = scipy.io.loadmat(x_path)
    y = scipy.io.loadmat(y_path)
    x_key = [k for k in x if not k.startswith('__')][0]
    y_key = [k for k in y if not k.startswith(