基于K近邻（KNN）算法的高光谱数据分类MATLAB实现
一、核心代码
1. 数据预处理
% 加载Indian Pines数据集
load('Indian_pines_corrected.mat'); % 光谱数据
load('Indian_pines_gt.mat'); % 标签数据% 数据标准化（Z-score）
X = zscore(reshape(data, [], size(data,3)));
Y = reshape(label, [], 1);% 划分训练集/测试集
cv = cvpartition(Y,'HoldOut',0.3);
X_train = X(cv.training,:);
Y_train = Y(cv.training,:);
X_test = X(cv.test,:);
Y_test = Y(cv.test,:);
2. 特征降维（PCA）
% 主成分分析
[coeff,score,~] = pca(X_train);
explained = 100*sum(coeff.^2)/size(X_train,2);
cum_explained = cumsum(explained);% 选择前10个主成分
k = find(cum_explained >= 95, 1);
X_train_pca = score(:,1:k);
X_test_pca = coeff(:,1:k)' * (X_test' - mean(X_train))';
3. KNN分类实现
% 参数设置
k_values = 1:5:20;
best_acc = 0;for k = k_values% 构建KNN模型mdl = fitcknn(X_train_pca, Y_train, 'NumNeighbors', k, 'Distance', 'mahalanobis', 'Standardize', false);% 预测Y_pred = predict(mdl, X_test_pca);% 计算准确率acc = sum(Y_pred == Y_test)/numel(Y_test);if acc > best_accbest_k = k;best_acc = acc;end
enddisp(['最佳K值: ', num2str(best_k), ' 准确率: ', num2str(best_acc*100), '%']);
二、关键优化
1. 距离度量优化
% 光谱角度匹配距离（SAM）
function d = spectral_angle(X,Y)numerator = sum(X.*Y, 2);denominator = sqrt(sum(X.^2,2)) * sqrt(sum(Y.^2,2));d = acos(numerator ./ denominator);
end% 在KNN中应用自定义距离
mdl = fitcknn(X_train_pca, Y_train, 'NumNeighbors', 5, 'Distance', @spectral_angle);
2. 空间上下文融合
% 加载空间坐标
load('Indian_pines_spatial.mat'); % 包含X,Y坐标% 构建空间邻接矩阵
pos = [X_spatial, Y_spatial];
A = zeros(size(pos,1));
for i = 1:size(pos,1)dist = sqrt(sum((pos - pos(i,:)).^2,2));[~,idx] = mink(dist, 6);A(i,idx) = 1;
end% 空间约束KNN
mdl = fitcknn([X_train_pca, A], Y_train, 'NumNeighbors', 5);
三、工程优化
1. GPU加速实现
% 将数据转换为GPU数组
X_train_gpu = gpuArray(X_train_pca);
X_test_gpu = gpuArray(X_test_pca);% 使用并行计算工具箱
mdl = fitcknn(X_train_gpu, Y_train, 'NumNeighbors', 5);
Y_pred_gpu = predict(mdl, X_test_gpu);
2. 分块处理策略
% 分块处理大尺寸图像
block_size = 256;
[height,width] = size(data(:,:,1));
num_blocks = ceil(height/block_size) * ceil(width/block_size);for i = 1:block_size:heightfor j = 1:block_size:widthblock = data(i:min(i+block_size-1,height), j:min(j+block_size-1,width), :);% 处理每个分块...end
end
四、典型应用案例
1. 农作物监测（PaviaU数据集）
% 加载数据
load('PaviaU.mat');
load('PaviaU_gt.mat');% 构建3D特征立方体
X = double(reshape(data, [], size(data,3)));
Y = double(reshape(gt, [], 1));% 分类结果可视化
figure;
imagesc(label2rgb(Y));
title('真实分类图');
2. 矿产勘探（Hyperion数据）
% 异常检测
mdl = fitcknn(X_train, Y_train, 'NumNeighbors', 3);
Y_pred = predict(mdl, X_test);% 矿产富集区标记
anomaly_mask = Y_pred == 4; % 假设类别4为矿产
参考代码 高光谱数据进行KNN分类 www.youwenfan.com/contentcsi/65275.html
五、常见问题解决方案
1. 维数灾难处理
- 采用核Fisher判别分析（KFDA）替代PCA
- 使用流形学习（Isomap/LLE）
2. 类别不平衡
% 加权KNN
mdl = fitcknn(X_train, Y_train, 'NumNeighbors', 5, 'Weights', 'classiferror');
3. 实时性提升
- 使用KD树加速最近邻搜索
- 采用近似最近邻算法（ANN）
六、扩展应用
- 多光谱视频分析
% 视频帧间关联
prev_frame = process_frame(prev_img);
current_frame = process_frame(curr_img);
assoc = knn_associate(prev_frame, current_frame);
- 深度学习融合
% 特征提取网络
net = alexnet;
features = activations(net, img, 'fc7', 'OutputAs', 'rows');% 混合分类器
final_pred = majority_vote([knn_pred, cnn_pred]);