番外：高光谱特征工程可视化实战｜假彩色、PCA、LBP 与光谱曲线（逐段讲解 + 可直接运行）

这篇我们不做建模，而是用 KSC 数据做 4 种常见可视化：
假彩色合成、PCA 主成分合成、LBP 纹理、各类别平均光谱曲线。

1. 环境与数据加载

1.1 导入依赖 & 画图风格

import os
import numpy as np
import scipy.io
import matplotlib
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from skimage.feature import local_binary_pattern
from skimage import img_as_ubyte, exposure

# Matplotlib 全局风格（中文 & 清晰）
matplotlib.rcParams['font.family'] = 'SimHei'
matplotlib.rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 120

解释

scipy.io.loadmat 读 .mat 文件；PCA 用于主成分；local_binary_pattern 计算 LBP。
设置中文字体与 DPI，避免中文乱码、图像发糊。

1.2 路径与加载函数

# 数据路径（按你的实际路径修改）
DATA_DIR = r"your_path"
X_FILE = "KSC.mat"
Y_FILE = "KSC_gt.mat"

def load_data(x_path, y_path):
    """从 .mat 读取影像与标签，返回 X:(H,W,B), y:(H,W)"""
    x_data = scipy.io.loadmat(x_path)
    y_data = scipy.io.loadmat(y_path)
    x_key = [k for k in x_data.keys() if not k.startswith('__')][0]
    y_key = [k for k in y_data.keys() if not k.startswith('__')][0]
    return x_data[x_key], y_data[y_key]

# 读取数据
X_img, y_img = load_data(os.path.join(DATA_DIR, X_FILE),
                         os.path.join(DATA_DIR, Y_FILE))
h, w, bands = X_img.shape
print(f"图像尺寸: {
     
     h}×{
     
     w}，波段数: {
     
     bands}")

解释

.mat 文件通常包含多个键，过滤掉 __header__ 这类系统键。
X_img 是三维高光谱数据 (H, W, Bands)，y_img 是标签图 (H, W)（0 表示未标注）。

2. 工具函数（统一做拉伸/归一/类型转换）

def minmax_norm(arr):
    """全局 min-max 到 [0,1]（避免除零）"""
    a_min, a_max = np.min(arr), np.max(arr)
    if a_max - a_min < 1e-12:
        return np.zeros_like(arr, dtype=np.float32)
    return (arr - a_min) / (a_max - a_min)

def perc_stretch(arr, p_low=2, p_high=98):
    """百分位拉伸，更鲁棒（减少极端值影响），输出 [0,1]"""
    low, high = np.percentile(arr, [p_low, p_high])
    arr = np.clip(arr, low, high)
    return minmax_norm(arr)

def to_uint8(gray01):
    """把 [0,1] 灰度安全转为 uint8，供 LBP 使用（消除 skimage 浮点警告）"""
    gray01 = np.clip(gray01, 0, 1)
    return img_as_ubyte(gray01)  # 等价于 (gray01*255).astype(np.uint8)

解释

百分位拉伸比简单 min-max 更稳，适合遥感影像可视化。
LBP 官方建议用整型图像，我们先归一化再转 uint8，不会再弹警告。

3. 假彩色合成（任意 3 波段 → RGB）

def show_false_color(X, bands_rgb=(50, 30, 10), title="假彩色合成图"):
    """选择三个波段分别映射到 R/G/B 通道"""
    r, g, b = bands_rgb
    R = perc_stretch(X[:, :, r])
    G = perc_stretch(X[:, :, g])
    B = perc_stretch(X[:, :, b])
    rgb = np.dstack([R, G, B])

    plt.figure(figsize=(7, 6))
    plt.imshow(rgb)
    plt.title(f"{
     
     title}（R/G/B = {
     
     r}/{
     
     g}/{
     
     b}）")
    plt.axis('off')
    plt.tight_layout()
    plt.show()

# 示例：两组组合
show_false_color(X_img, bands_rgb=(50, 30, 10))
show_false_color(X_img, bands_rgb=(100, 50, 20), title="假彩色合成图（另一组合）")

解释

选择 3 个光谱波段映射到 RGB，直观看地物分布。
先做百分位拉伸，视觉层次更自然。

4. PCA 前三主成分合成（PC1/2/3 → RGB）

def show_pca_composite(X, n_components=3, title="PCA前三主成分合成图"):