用 t-SNE 把 KSC 高光谱“变成可转动的 3D 影像”——从零到会，逐段读懂代码并导出旋转 GIF

最近有很多私信要求出一期用于PPT汇报或者日常展示的内容，这篇我们不做训练、不做分类，用 t-SNE 3D 把 KSC 的标注像素降到 3 维，并导出自动旋转的 GIF，适合教学、汇报或文章配图。

一、数据与结果预览

• 数据：KSC.mat 与 KSC_gt.mat（0 为未标注，>0 为类别）

• 输出：

  • PNG：tSNE3_Labeled_cover.png
    

  • GIF：tSNE3_Labeled_rotate.gif
    见保存文（太大无法上传）

• 只对有标签的像素做降维与上色（颜色=真实类别），图像不做训练。

二、运行环境

• Python ≥ 3.8

• 必需库：numpy、scipy、scikit-learn、matplotlib、pillow

• 安装（示例）：

  pip install numpy scipy scikit-learn matplotlib pillow
  

三、代码结构鸟瞰

1. 路径与可视化参数：数据位置、导出目录、t-SNE/动画参数

2. 工具函数：

   • load_hsi：自动识别 .mat 主键、读入数据
   • make_class_cmap：生成足够多、区分度高的离散类别色表

3. main 主流程：

   • 读取与筛选有标注像素
   • 标准化 + PCA 预降维（加速/去噪）
   • 子采样（避免 t-SNE 爆内存/过慢）
   • 自适应 perplexity（满足 t-SNE 约束）
   • t-SNE 3D 拟合
   • Matplotlib 3D 点云绘制（按类上色）
   • FuncAnimation 旋转相机并用 PillowWriter 导出 GIF

下面按模块逐段拆解要点与为什么这么写。

四、逐段解析与“为什么”

1）全局参数与样式

DATA_DIR = r"...\DATASETS"
X_FILE = "KSC.mat"
Y_FILE = "KSC_gt.mat"

OUT_DIR = os.path.join(DATA_DIR, "VIS3D_tSNE_GIF")
PNG_PATH = os.path.join(OUT_DIR, "tSNE3_Labeled_cover.png")
GIF_PATH = os.path.join(OUT_DIR, "tSNE3_Labeled_rotate.gif")

SEED = 42
PCA_FOR_TSNE = 30          # t-SNE 前置 PCA 维度
TSNE_SUBSAMPLE = 20000     # t-SNE 点数上限（仅标注像素）
TSNE_ITER = 1000

NUM_FRAMES = 120           # 动画帧数
FPS = 20                   # 帧率
ELEV = 20                  # 俯仰角
AZIM_START = -60           # 起始方位角
AZIM_SWEEP = 360           # 旋转总角度

• PCA_FOR_TSNE：t-SNE 前用 PCA 降到 30 维，常见做法，减噪且加速（高光谱往往 >100 维，无用噪声多）。
• TSNE_SUBSAMPLE：上限 2 万点。t-SNE 的复杂度高，子采样能把时间和内存控制住，还能保持结构观感。
• 动画参数：NUM_FRAMES × (1/FPS) ≈ 动画时长（此处 120 帧 @20fps 约 6 秒）。
• Matplotlib 字体设为中文（SimHei）；如报字体警告可移除，不影响功能。

---

2）读取 .mat：键名自动识别

def load_hsi(x_path, y_path):
    Xm = sio.loadmat(x_path)
    Ym = sio.loadmat(y_path)
    x_key = [k for k in Xm if not k.startswith("__")][0]
    y_key = [k for k in Ym if not k.startswith("__")][0]
    return Xm[x_key], Ym[y_key]

• 许多 .mat 文件的主键并非固定（可能叫 KSC、indian_pines_corrected 等），用“不是 __ 开头”的第一个键作为主键，免手改。

3）类别色表：够多、够分散

def make_class_cmap(n_cls):
    base = []
    for name in ["tab20", "tab20b", "tab20c"]:
        base.append(matplotlib.colormaps[name].colors)
    colors = np.vstack(base)
    if n_cls > len(colors):
        rep = int(np.ceil(n_cls / len(colors)))
        colors = np.tile(colors, (rep, 1))
    return ListedColormap(colors[:n_cls])

• 组合 tab20、tab20b、tab20c 这三套 20 色，共 60 色。KSC 的类别数远小于 60，一般足够且区分度高。
• 类别多时自动重复，但高光谱场景里基本用不到这一步。

4）主流程：从读数据到导出 GIF

(a) 只取有标注像素

X, Y = load_hsi(...)
X_flat = X.reshape(-1, B)
y_flat = Y.reshape(-1)