最全可白嫖之高光谱图像数据处理（格式转换，数据增强，通道剪切，大小裁剪，光谱显示，折线图表示）

（一）高光谱谱格式转换之rar转mat格式
- ①RAW转tiff步骤：
- ②tiff转mat步骤：
（二）两种方法把高光谱图像缩放到0-1的数据集
（三）高光谱数据预处理成规定大小和规格的数据集
（四）高光谱数据增强
- ①旋转
- ②缩放
（五）论文可用的光谱反射率等曲线对比图画法
（六）高光谱图像拼接组合
（七）高光谱图像快照式模拟编码
（八）高光谱图像分波段显示
持续更新中.........

完整代码下载地址：高光谱数据处理大礼包

（一）高光谱谱格式转换之rar转mat格式

网上的很多公开高光谱数据集（如cave,icvl等）下载下来是raw格式，而一般用神经网络等方法对高光谱数据进行分类、训练、超分辨的时候，大多使用.mat格式的高光谱数据，碍于网上一直没有一个系统全面的方法，于是我总结了以下方法，分为两步：

1. 使用ENVI软件读取原格式的高光谱数据，选取需要的光谱通道，裁剪需要的像素区域，转化为.tiff格式保存

2. 使用MATLAB软件编写代码批量将.tiff格式数据转化为mat格式光谱数据

①RAW转tiff步骤：

导入高光谱图像

选择感兴趣的波段和裁剪区域

保存为tiff格式

②tiff转mat步骤：

%% 读取文件夹里的所有tif文件转化成mat格式(452,25-643.27) 28个通道规格化到0-1之间的测试集
% path='C:\HIS-pre-deal\430-740粉末\New Folder'     %保存放tiff的文件路径
% A = dir(fullfile(path,'*.tif'));
% A = struct2cell(A);
% num = size(A)
% for i=1:num(2)
%         a=A((i-1)*6+1);
%         a=a{1};
%     deal = importdata(a);
%     for j=1:28
%       img(:,:,j)=deal(:,:,20+2*j);
%     end
%     img=single(img)/double(65536);
%     k='C:\HIS-pre-deal\430-740粉末\New Folder\';   %保存结果的文件路径
%     kk=num2str(i);
%     kkk='.mat';
%     kkkk=[k,kk,kkk];
% %     save(kkkk,'img')
%  end

（二）两种方法把高光谱图像缩放到0-1的数据集

%% 把高光谱图像转变成0-1的数据集
% % %% 方法一：
%  img_expand = importdata('15.mat');
% % % img=im2double(img_expand);
% % % save('C:\Users\Desktop\test1.mat','img')% % %% 方法二：
%  c=0;
%  for i=1:31   //通道数为31
%      b=max(max(squeeze(img_expand(:,:,i))));
%      c=max(b,c);
%  end%img_h = importdata('test6.mat');
% img=double(img)/double(65536);
% save('C:\Users\Desktop\test1.mat','img')

（三）高光谱数据预处理成规定大小和规格的数据集

%%  高光谱数据预处理成规定大小和规格的数据（660*660*12）   %%%%%%%%
% img_expand = importdata('scene148.mat');
% for i=1:12   //通道数
%     img(:,:,i)=img_expand(1:660,1:660,i);  //长宽
%     %imshow(img(:,:,i))
% end
% save('C:\Users\Desktop\test1.mat','img')

（四）高光谱数据增强

由于拍摄的高光谱数据总是有限的，而神经网络需要大量的数据样本来训练拟合，一种行而有效的方式就是数据增强。

①旋转

%% 读取路径下的所有mat文件，并左旋转90（角度自行修改，右旋类似）
% path='C:\HIS-pre-deal\'
% A = dir(fullfile(path,'*.mat'));
% A = struct2cell(A);
% num = size(A)
% for i=1:num(2)
%    a=A((i-1)*6+1);
%    a=a{1};
%    deal = importdata(a);
%    for j=1:28
%       dea=imrotate(squeeze(deal(:,:,j)),90);
%       img_hs(:,:,j)=reshape(dea,1,512,512);
%    end
%    kk=num2str(i);
%    k='C:\HIS-pre-deal\左旋转90\';
%    kkk='_左旋.mat';
%    kkkk=[k,kk,kkk];
%    save(kkkk,'img_hs')
% end

②缩放

%% 第一种缩放形式：对高光谱图像进行大小缩放,并保存到相应文件夹
% size=0.5; //缩放尺度
% for i=1:28
%     deal=img(:,:,i);
%     img_deal(:,:,i)=imresize(deal,size);
% %     subplot(4,7,i)
% %     imshow(deal)
% end
% img=0;
% img=img_deal;
% save('C:\HIS-pre-deal\Deal-img\scene010.mat','img')
%% 第二种缩放形式：剪切。
% img_hs = importdata('scene200.mat');
% for i=1:24
%     deal=img_hs(100:429,100:429,i);
%     deal=im2double(deal);
%       img(:,:,i)=deal;
% %      subplot(4,7,i)
% %      imshow(deal)
% end
% save('C:\HIS-pre-deal\Deal-img\660-1.mat','img')

（五）论文可用的光谱反射率等曲线对比图画法

%% 人物
% x=[455.65  462.49 469.33 476.17 483.02 489.9 496.78 503.65 510.55 517.45 524.36...
%      531.29 538.21 545.15 552.11 559.06 566.02 573.01 579.99 586.99 594.0 601.0 608.03 615.06 622.1 629.16 636.23 643.27];%x轴上的光谱波段值
%  a=[0.046328  %a数据y值
% 0.042890
% 0.049437
% 0.052339
% 0.055272
% 0.057959
% 0.061730
% 0.064379
% 0.069850
% 0.076214
% 0.089666
% 0.109428
% 0.134469
% 0.151328
% 0.155143
% 0.163445
% 0.160454
% 0.145173
% 0.134909
% 0.119050
% 0.107735
% 0.092402
% 0.078581
% 0.073911
% 0.068458
% 0.066618
% 0.064307
% 0.061029]; %b数据y值
%  b=[0.050210
% 0.048562
% 0.047848
% 0.048780
% 0.053608
% 0.054584
% 0.062421
% 0.066507
% 0.070665
% 0.082705
% 0.092355
% 0.112599
% 0.148814
% 0.160001
% 0.164293
% 0.159431
% 0.150049
% 0.139673
% 0.123176
% 0.113360
% 0.104669
% 0.093209
% 0.083308
% 0.078677
% 0.072299
% 0.070175
% 0.066874
% 0.067031];
%  c=[0.032769 %c数据y值
% 0.033612
% 0.033636
% 0.035964
% 0.039693
% 0.044313
% 0.052775
% 0.061756
% 0.073795
% 0.086206
% 0.102327
% 0.120271
% 0.134366
% 0.143251
% 0.146189
% 0.148024
% 0.140879
% 0.133600
% 0.123866
% 0.112065
% 0.106048
% 0.100711
% 0.092865
% 0.086199
% 0.081167
% 0.077816
% 0.073928
% 0.071923
% ];
%  d=[ 0.039684 %d数据y值
% 0.035936
% 0.039848
% 0.037460
% 0.037582
% 0.042013
% 0.048105
% 0.052788
% 0.059851
% 0.075452
% 0.085753
% 0.104524
% 0.117041
% 0.120392
% 0.119326
% 0.113422
% 0.105514
% 0.094912
% 0.085812
% 0.074321
% 0.067386
% 0.057413
% 0.050733
% 0.040744
% 0.041173
% 0.038101
% 0.035418
% 0.032557];
%  e=[ 0.063452  %e数据y值
%  0.065448
%  0.066141
%  0.065247
%  0.067798
%  0.072938
%  0.078020
%  0.080517
%  0.084534
%  0.091731
%  0.101428
%  0.109275
%  0.117019
%  0.120379
%  0.117849
%  0.111377
%  0.099289
%  0.085903
%  0.078416
%  0.073114
%  0.068887
%  0.063553
%  0.059130
%  0.057317
%  0.059024
%  0.055005
%  0.057847
%  0.058094
% ];
%  f=[0.051219 %f数据y值
% 0.065892
% 0.055956
% 0.049184
% 0.063560
% 0.074998
% 0.060415
% 0.067667
% 0.058828
% 0.079587
% 0.068357
% 0.099085
% 0.098976
% 0.094208
% 0.092482
% 0.093320
% 0.103216
% 0.086699
% 0.078904
% 0.062498
% 0.070742
% 0.068190
% 0.080951
% 0.067120
% 0.067791
% 0.062038
% 0.071721
% 0.071092
% ];
%  g=[0.046503%g数据y值
% 0.054286
% 0.039724
% 0.045279
% 0.055584
% 0.064824
% 0.052188
% 0.051663
% 0.045794
% 0.076992
% 0.065128
% 0.090259
% 0.093017
% 0.084527
% 0.091849
% 0.093118
% 0.110003
% 0.101593
% 0.099130
% 0.087800
% 0.094021
% 0.102329
% 0.105936
% 0.092304
% 0.094816
% 0.089412
% 0.099360
% 0.091986];
%  %  plot(x,a,'-*b',x,b,'-or'); %线性，颜色，标记
% plot(x,a,'-or','LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor','red','MarkerFaceColor','red');
% hold on;
% plot(x,b,'-ob','LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor',[0 0.6 1],'MarkerFaceColor',[0 0.6 1]);
% hold on;
% plot(x,c,'--og','LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor','green','MarkerFaceColor','green');
% hold on;
% plot(x,d,'--o','Color',[1 .5 0],'LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor',[1 .5 0],'MarkerFaceColor',[1 .5 0]);
% hold on;
% plot(x,e,'--oc','LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor','cyan','MarkerFaceColor','cyan');
% hold on;
% plot(x,f,'--om','LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor','magenta','MarkerFaceColor','magenta');
% hold on;
% plot(x,g,'--oy','LineWidth',1.5,'MarkerSize',3,'MarkerEdgeColor','yellow','MarkerFaceColor','yellow');
% hold off;
% axis([450,650,0,0.18])  %确定x轴与y轴框图大小
% set(gca,'XTick',[450:50:650]) %x轴范围1-6，间隔1
% set(gca,'YTick',[0:0.04:0.18]) %y轴范围0-700，间隔100
% legend('Truth','Ours','TSA','λ-net','HSSP','DCSI','TwIST');   %右上角标注
% xlabel('Wavelength(nm)')  %x轴坐标描述
% ylabel('Intensity') %y轴坐标描述

（六）高光谱图像拼接组合

（七）高光谱图像快照式模拟编码

（八）高光谱图像分波段显示

持续更新中…

最全可白嫖之高光谱图像数据处理（格式转换，数据增强，通道剪切，大小裁剪，光谱显示，折线图表示）相关推荐

多源数据的融合发展现状与趋势（二）——全色、多光谱、高光谱图像融合
现有的空谱融合对象主要是全色图像与多光谱图像.全色图像与高光谱图像.多光谱图像与高光谱图像.从波段数量来说,全色图像与多光谱或高光谱图像的融合属于"一对多"的融合, 多光谱图像与高 ...
遥感影像的全色、多光谱、高光谱图像
1. 全色图像 2. 多光谱图像 3. 高光谱图像 4. RGB图像遥感成像原理: 光进入相机镜头,光电感应装置将光信号转换为电信号,量化电脉冲信号,记录为一个像素值.传感器响应函数设计为,要使 ...
RSD处理高分5号高光谱（GF5 AHSI）数据（四）——从地物光谱搜索高光谱数据集
上一篇(RSD处理高分5号高光谱(GF5 AHSI)数据(三)--从GF5 AHSI 高光谱样本数据搜索光谱库)我们使用从高光谱数据集提取到的样本数据搜索光谱库,查找与之最相似的地物光谱,并列出相似程 ...
【pytorch】torchvision.transforms 图像的变换详解；图像的预处理；数据增强
目录 1 torchvision.transforms下的具体操作 1.1 ToTensor() 1.2 Normalize 1.3 RandomRotation 1.4 Resize 1.5 Ran ...
根据真实数据计算一段时间内价格走势，echarts折线图数据补全方法。
分享一个计算一段时间内价格走势的方案,以7.18 ~ 8.17这段时间为例,由于原始数据的不连贯.不确定性,可以分三种情况第一种:原始数据都在这个时间段内,假设最晚的一条数据是8.1号,那么我们根据 ...
如何生成高光谱图像某一点像素值的反射光谱图
如何生成高光谱图像某一点像素值的反射光谱图在做高光谱图像超分辨率对比实验的时候需要画光谱反射折线图,在网上找了好久也不知道怎么画. 然后我再外网找到了用MATLAB画的方法,亲测可用! reflec ...
基于图像的数据增强方法发展现状综述
基于图像的数据增强方法发展现状综述人工智能技术与咨询 2022-03-22 20:57 点击蓝字 · 关注我们来源:< 计算机科学与应用> ,作者冯晓硕等关键词: 数据增强:图像数据 ...
深入浅出 | 图像分类之数据增强全梳理
点击上方"计算机视觉工坊",选择"星标" 干货第一时间送达知乎作者:小小将整理:计算机视觉life 原文链接:https://zhuanlan.zhihu. ...
【Tool】Augmentor和imgaug——python图像数据增强库
Augmentor和imgaug--python图像数据增强库 Tags: ComputerVision Python 介绍两个图像增强库:Augmentor和imgaug,Augmentor使用比较 ...