企业官网建设流程全解析

简介：面向毕业设计、课程设计及项目开发场景，这份基于 Python 的高光谱遥感影像识别与分类资源，重点解决高光谱数据维数过高带来的休斯现象、空谱特征利用不足和分类器泛化能力偏弱等问题。资源共 24 个文件，其中 13 个 Python 源码脚本覆盖波段降维、特征提取与模型构建全流程，另有图片、MAT 数据、说明文档等配套文件，压缩包大小约 6.01MB。方案具体包含波段组合 (2D)2PCA 降维方法、基于双通道卷积神经网络的空谱特征提取模型，以及 CNN-SVM 融合分类模型，配合项目文档与使用教程，可快速理解各模块设计思路并上手复现。源码已经严格测试，可直接参考并在其基础上延展改造，适合不同阶段的开发者作为课设或毕设的完整技术支撑。目前已有 199 人学习使用。

1. 高光谱遥感影像识别与分类：别把它当成普通图像分类来做

第一次拿到高光谱遥感影像识别与分类这个毕业设计题目时，多数人第一反应是“这不就是图像分类吗”。等你打开一个 .hdr 文件才发现，里面根本不是 3 个波段，而是几百个连续波段。以 Indian Pines 数据集为例，空间尺寸只有 145×145，但波长方向有 200 个波段。这意味着不能用常规 CNN 直接硬怼，也不能把每个像素当成普通三通道照片来看。这个题目真正考验的是：怎么在样本量小、数据维度高、标签稀疏的情况下，把“谱维信息”和“空间信息”同时用好。它适合毕业设计，也适合想熟悉遥感数据处理的开发者，因为它把 Python 数据科学、机器学习、深度学习、可视化串成了一个闭环。下面我会用一套可复现的做法，把这个方案从数据读取一路讲到项目文档整理。

2. 高光谱数据从读取到预处理：用 Python 把 .hdr/.tif 变成能训练的张量

2.1 先搞清楚高光谱数据和普通 RGB 差了多远

普通 RGB 图像每个像素有 R、G、B 三个通道，高光谱影像每个像素有几十到几百个连续波段。以机载可见光/红外成像光谱仪（AVIRIS）采集的数据为例，波长范围覆盖 400nm 到 2500nm，波段间隔通常只有 10nm 左右。空间上一个像素点，在光谱维上是一条连续曲线，这使得地物分类可以从光谱曲线形状入手，而不只是纹理和形状。

反过来说，高光谱数据有三维结构：高度、宽度、波段数。Indian Pines 原始数据是 145×145×200，很小；但很多真实高光谱数据达到 512×512×200，换算成单精度浮点就是 512×512×200×4 字节，约 200MB。如果直接加载到内存再用深度学习训练，显存和内存都会被快速吃光。所以第一步不是建模，而是把它变成合理的张量。

这里还有一个很多人忽略的点：高光谱数据有辐射定标和大气校正等预处理差异。你拿到的 .tif 可能是地表反射率，也可能是辐射亮度。如果数据本身没有做大气校正，不同时间的影像光谱曲线会漂移，直接训练的模型换一张影像大概率失效。好在课程设计里用的公开数据集基本是官方处理好的，你只需要做数据层面的清洗和降维。

2.2 读取高光谱数据的三条路：spectral、rasterio、scipy.io

读取高光谱数据最常用的是spectral库，它能直接读 ENVI 格式的 .hdr/.dat 或者 .lan 格式，而且内置了imshow和view_cube等可视化工具。另一个选择是rasterio，它对 GeoTIFF 支持极好，会在读入的时候帮你保留地理坐标信息。如果数据是 MATLAB 的 .mat 格式，比如很多论文里发的 Indian Pines 预处理版本，直接用scipy.io.loadmat就能读。

# 方式1：spectral 读取 ENVI 格式 import spectral from spectral import open_image import numpy as np img = open_image('data/indian_pines.hdr') img_array = img.load() # 返回 (行, 列, 波段) 的 ndarray print(img_array.shape) # 例如 (145, 145, 200) # 方式2：rasterio 读取 GeoTIFF import rasterio with rasterio.open('data/indian_pines.tif') as src: img_tif = src.read() # 形状为 (波段, 行, 列) img_tif = np.transpose(img_tif, (1, 2, 0)) # 转成 (行, 列, 波段) profile = src.profile # 保留写入时需要的元数据 # 方式3：scipy 读取 mat from scipy.io import loadmat mat_data = loadmat('data/indian_pines.mat') # 不同论文给的字段名不一样，常见的是 'indian_pines' 或 'data' img_mat = mat_data['indian_pines']

代码逻辑说明：使用spectral时，open_image会解析 .hdr 文件里的波段数、数据类型、存储方式，真正把内存加载下来的是.load()，返回的是 (行, 列, 波段) 的结构。这里要注意，有的 ENVI 文件是 BSQ 格式，有的 BIP/BIL 格式，spectral会自动处理，你不需要手动重排。使用rasterio时，src.read()默认返回 (波段, 行, 列)，如果你后续要做空间切片，最好先transpose成 (行, 列, 波段)，这样在循环取像素时心智负担更小。

参数说明：profile是写入 GeoTIFF 时需要的元数据字典，里面包含height、width、count、dtype、crs、transform等键。如果你只是做分类可视化，不需要保存地理坐标，可以不用关心；但如果要把分类结果输出成带地理信息的 .tif，这些信息就非常关键，后面第 4 章会用到。

2.3 预处理：波段筛选、归一化、PCA 降维和样本划分

高光谱数据不是波段越多越好。相邻波段相关性很高，比如 200 个波段里可能有一大半信息冗余。常见做法有两种：一是直接做波段选择，比如去掉水汽吸收波段；二是用 PCA 把光谱维压缩到 30~80 维，保留绝大部分方差。对于课程设计或毕业设计，我一般建议在 30~50 维之间试，压缩后模型训练速度快很多，精度也不会明显下降。

归一化也是必做的一步。高光谱数值范围可能从 0 到几千甚至上万，如果不归一化，SVM 会直接失效，深度学习训练也会震荡。归一化有个坑：必须只用在训练集上拟合统计量，再应用到验证集和测试集，否则会有数据泄漏，后面会专门写一条避坑。

from sklearn.decomposition import PCA from sklearn.preprocessing import MinMaxScaler # 假设 X 是 (样本数, 波段数) 的二维数组 # 每个像素是一个样本，先做标准化或 minmax 缩放 scaler = MinMaxScaler() X_scaled = scaler.fit_transform(X) # 这里 X 应是训练样本 # PCA 降维，保留 99% 方差 pca = PCA(n_components=0.99, whiten=True) X_pca = pca.fit_transform(X_scaled) print(f"原始波段数: {X.shape[1]}, 降维后: {X_pca.shape[1]}")

逻辑说明：MinMaxScaler把每个波段的值压缩到 [0,1]，fit_transform在训练样本上算出每列的最小值和最大值，然后做变换。PCA(n_components=0.99)表示保留累计方差贡献率达到 99% 的主成分数，这会根据数据自动决定维数。whiten=True会对主成分做尺度归一化，便于后续训练。

样本划分是高光谱分类里最容易出问题的一步。高光谱像素点空间相邻，同一个地物区域内的相邻像素很可能落在同一条地物边界里。如果随机划分训练集和测试集而不考虑空间位置，模型会“背”下邻居像素，测试时刚好又抽到邻居，精度虚高。常见做法是按区域划分，或者至少使用train_test_split时保证同区域的样本不进训练和测试两端。更严谨的做法是使用像素间的空间坐标做分组，把坐标接近的样本划到同一折。

我提供一个可复制的训练样本构建方式。以 Indian Pines 为例，通常取每个类别固定数量（比如每类 10~50 个），训练集总体样本量控制在 1000 左右，避免类别多、样本少的类别被遗忘。

from sklearn.model_selection import train_test_split # X_all: (空间行*列, 波段数); y_all: (空间行*列,) # 实际使用时先过滤掉 y=0 的背景类 train_idx, test_idx = train_test_split( np.arange(len(y_all)), test_size=0.7, stratify=y_all, random_state=42 ) X_train, X_test = X_all[train_idx], X_all[test_idx] y_train, y_test = y_all[train_idx], y_all[test_idx]

这里stratify=y_all保证训练集和测试集中每个类别的比例一致。对于类别不平衡严重的遥感数据，光靠 stratify 还不够，建议在下一章结合类别权重处理。

预处理阶段最后一步是把数据整理成深度学习需要的格式。因为后面要做空间邻域采样，需要从 (行, 列, 波段) 的大立方格里提取以每个样本像素为中心的 patch。常见 patch size 是 9×9、15×15 或 25×25，窗口越大空间信息越丰富，但样本重叠越严重，训练耗时也越高。一般 Indian Pines 用 15×15 比较稳妥，Salinas 和 Pavia University 可以增大到 25×25。

3. 从 SVM 到 CNN/HybridSN：高光谱分类模型的选型与实现

3.1 为什么先跑通 SVM 作为基线

高光谱分类的常见论文大多会对比几个经典算法：支持向量机（SVM）、随机森林、K 近邻，然后才是各种深度网络。你的毕业设计如果一上来就端出一个 CNN，答辨老师多半会问“和传统方法比怎么样”。所以第一步建议用 SVM 跑通一遍，得到一组基线精度，后面所有模型都以超过它为底线。

SVM 非常适合高光谱分类：第一，高光谱数据维度高，SVM 通过核函数在高维空间构造超平面，样本量不大时也能稳定训练；第二，遥感数据集通常很小，SVM 不容易过拟合；第三，scikit-learn 的接口太熟了，代码量很少。

from sklearn.svm import SVC from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler # X_train 是经过 PCA 或原始波段归一化后的数据 svm_model = make_pipeline( StandardScaler(), SVC( kernel='rbf', C=100.0, gamma=0.01, class_weight='balanced', probability=True, random_state=42 ) ) svm_model.fit(X_train, y_train) train_acc = svm_model.score(X_train, y_train) test_acc = svm_model.score(X_test, y_test) print(f"SVM 训练准确率: {train_acc:.4f}, 测试准确率: {test_acc:.4f}")

逻辑说明：make_pipeline把标准化器和分类器串起来，避免你先在整体数据上 StandardScaler 再手忙脚乱地保持训练测试一致。SVC(kernel='rbf')使用径向基核函数，它适合光谱特征曲线的非线性变化。C是误分类惩罚系数，C太大容易过拟合，太小则欠拟合；gamma控制 RBF 核的宽度，值越小决策边界越平滑。class_weight='balanced'会根据类别频率自动调整权重，能显著提升少数类别的召回率。

参数调整建议：在 Indian Pines 上，C取 10~100，gamma取 0.01~0.1 是比较常见的范围。你可以在sklearn.model_selection.GridSearchCV里做一个小网格搜索，但别搜太大，SVM 在高维数据上很慢。更快的做法是先用 PCA 降到 30~50 维，再搜C和gamma。

有个小技巧：SVM 训练完成后，可以用svm_model.predict_proba(X_test)拿到每个类别的概率，而不是只有硬标签。类别间概率差很小的样本通常是分类边界附近样本，你可以把这些样本挑出来可视化，作为答辨时的分析素材。

3.2 用 PyTorch 搭一个简化版 HybridSN：三维卷积加二维卷积

深度学习方案里，高光谱分类绕不开 HybridSN 这个结构，它先用三维卷积提取光谱-空间联合特征，再用二维卷积提取空间特征，精度比普通 CNN 高一大截。完整的 HybridSN 在 GitHub 上有很多实现，但对于课程设计和毕业设计，你不必完全照搬论文，只需要掌握核心结构，并用一个迷你版跑通，然后把消融实验写清楚。

下面是简化版 HybridSN，它仍然包含 3D 卷积和 2D 卷积，而且能直接运行。

import torch import torch.nn as nn class HybridSNMini(nn.Module): def __init__(self, n_bands, patch_size, n_classes): super().__init__() # 3D 卷积：输入 (batch, ch, H, W, D) self.conv1 = nn.Conv3d(1, 8, kernel_size=(3, 3, 7), padding=(1, 1, 3)) self.conv2 = nn.Conv3d(8, 16, kernel_size=(3, 3, 5), padding=(1, 1, 2)) self.conv3 = nn.Conv3d(16, 32, kernel_size=(3, 3, 3), padding=(1, 1, 1)) # 3D 卷积输出形状需计算，然后用 2D 卷积处理 # 这里假设经过 3D 卷积后 spectral 维被压成 1 或较少 self.conv4 = nn.Conv2d(32, 64, kernel_size=3, padding=1) self.pool = nn.AdaptiveAvgPool2d((2, 2)) self.fc = nn.Linear(64 * 2 * 2, 256) self.out = nn.Linear(256, n_classes) self.relu = nn.ReLU() self.drop = nn.Dropout(0.4) def forward(self, x): # 输入 x: (batch, patch, patch, bands)，需增加通道维 x = x.unsqueeze(1) # (batch, 1, patch, patch, bands) x = self.relu(self.conv1(x)) x = self.relu(self.conv2(x)) x = self.relu(self.conv3(x)) # 5D 转 4D：把 patch 维保持，channels 合并 b, c, h, w, d = x.shape x = x.view(b, c, h, w) # 这里实际把所有 spectral 维合并进了通道 x = self.relu(self.conv4(x)) x = self.pool(x) x = x.view(x.size(0), -1) x = self.drop(self.relu(self.fc(x))) return self.out(x) # 参数说明 model = HybridSNMini(n_bands=200, patch_size=15, n_classes=16) print(model)

逻辑说明：第一个Conv3d的kernel_size=(3,3,7)表示空间维度卷积核是 3×3，光谱维卷积核是 7。这个 7 很关键，它让你在训练开始时裁剪一小段光谱区间，提取局部光谱特征。后面的conv2、conv3逐步压缩光谱维，空间维度保持不变。到view(b, c, h, w)时，把剩余的光谱维并入通道，让后续 2D 卷积专注于空间结构。

参数说明：AdaptiveAvgPool2d((2,2))将空间尺寸固定为 2×2，不管输入 patch 是 11 还是 25，都能得到固定长度特征，最终全连接层输入维度就不会变。Dropout(0.4)用于防止小数据集上过拟合，高光谱分类的公开数据集只有几千个训练样本，dropout 很大。n_bands=200是 Indian Pines 的原始波段数，如果你的数据经过 PCA 降到 30，把这里改成 30。注意如果你的 patch size 小于卷积核导致尺寸为负，控制台会报错，所以 patch size 至少应大于 5。

3.3 训练参数怎么设：learning rate、epochs、patch size、batch size

深度学习训练高光谱分类时，参数设置比模型结构更容易让人翻车。我在做类似项目时一般这样设初始值：

训练循环要写好，不能只记录训练集的 loss。

import torch.optim as optim from torch.utils.data import TensorDataset, DataLoader # 假设你已经把训练样本转成了 patch 格式 train_patches: (N, patch, patch, bands) train_dataset = TensorDataset(torch.from_numpy(train_patches), torch.from_numpy(y_train)) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) optimizer = optim.Adam(model.parameters(), lr=0.001, weight_decay=1e-4) criterion = nn.CrossEntropyLoss() best_acc = 0.0 for epoch in range(100): model.train() total_loss = 0.0 for batch_x, batch_y in train_loader: batch_x = batch_x.float() optimizer.zero_grad() outputs = model(batch_x) loss = criterion(outputs, batch_y.long()) loss.backward() optimizer.step() total_loss += loss.item() print(f"epoch {epoch+1:03d}, loss: {total_loss/len(train_loader):.4f}")

这里CrossEntropyLoss自带 softmax，所以模型最后的self.out不需要额外接 Softmax。batch_x.float()是因为高光谱数据可能是 double 类型，而 PyTorch 默认单精度。如果忽略这行，会出现数据类型不匹配的报错。

DataLoader里的shuffle=True要在每个 epoch 重新打乱，否则网络会按固定顺序学，收敛变慢。如果你的类别不均衡，可以给CrossEntropyLoss传入weight参数，权值取每个类别样本数的倒数，这样少数类别会被更多惩罚。相比单纯用准确率，答辨时展示这个细节会加分。

3.4 把 SVM 和深度学习模型对比成一个统一评估流程

你可能会有疑惑：前面 SVM 和深度学习用的特征维度不一样，如何对比？标准做法是把同一条测试集喂给不同模型，统一计算 OA、AA 和 Kappa 系数。SVM 可以直接用原波段 PCA 后的特征，深度学习用 patch。两者会在第 4 章评估时进行比较。

实际项目中，我还喜欢加一个随机森林作为第二个基线。随机森林对高光谱数据的噪声不敏感，训练速度远快于 SVM，而且能输出特征重要性，方便你在答辨时说明哪些波段对分类贡献最大。以下代码可以在几分钟内跑完：

from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier( n_estimators=200, max_depth=15, min_samples_leaf=2, max_features='sqrt', class_weight='balanced_subsample', n_jobs=-1, random_state=42 ) rf.fit(X_train_pca, y_train) # 特征重要性可视化 importance = rf.feature_importances_

max_features='sqrt'是做高维分类常用的策略，每次分裂只看随机抽取的一半特征数，使模型不完全依赖某个强特征。balanced_subsample让随机森林每棵树的子样本自动平衡类别，比balanced更稳定。如果树太深，高光谱 30 维特征很容易每棵树都完美拟合训练集，但泛化变差，所以max_depth要限制在 15 左右。

4. 模型评估与分类结果可视化：精度、混淆矩阵和分类图

4.1 三个指标看懂高光谱分类论文：OA、AA、Kappa 为什么比准确率更有说服力

高光谱分类通常不用“准确率”打天下，因为类别样本极度不均衡。Indian Pines 有 16 类地物，有些类别只有 20 个样本，有些 2000 个。如果所有样本都预测成样本最多的类别，准确率也能到 20% 以上，但在少数类上全部错光。因此需要用三个指标配合：

• OA（Overall Accuracy）：所有预测正确的样本数除以总样本数，就是普通准确率。
• AA（Average Accuracy）：先算每个类别的召回率，再对所有类别取平均。即使少数类被忽视，AA 也会被打低。
• Kappa：衡量预测值和真实标签的一致性，排除随机猜测的影响。Kappa 低于 0.4 说明模型预测和随机猜没太大差别，0.8 以上才是很好的分类结果。

答辨时不要只说 OA，要把 AA 和 Kappa 一并列出来。

from sklearn.metrics import confusion_matrix, classification_report, cohen_kappa_score y_pred = svm_model.predict(X_test) cm = confusion_matrix(y_test, y_pred) report = classification_report(y_test, y_pred, target_names=class_names) kappa = cohen_kappa_score(y_test, y_pred) print(report) print("Kappa:", kappa)

classification_report会输出每个类别的 precision、recall、f1-score 和 support，你可以从中直接看到哪一类被遗忘了。如果某一行 precision 很高、recall 很低，说明模型很少把这个类别预测出来，需要类别权重或更多训练样本。

4.2 画出混淆矩阵和地物分类图

混淆矩阵用热力图展示。对于 16 个类别的 Indian Pines，热力图能直观看出哪两类被混在一起。比如土壤和干草的角度相似，光谱曲线接近，混淆矩阵里对应的格子就会很亮。

分类图是把空间上每个像素的预测标签按原始位置画回二维平面。这里关键是要注意背景像素（label=0）不参与训练，预测时也要把它从分类结果中排除。

import matplotlib.pyplot as plt import seaborn as sns # 混淆矩阵热力图 plt.figure(figsize=(10, 8)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', cbar=False) plt.xlabel('Predicted') plt.ylabel('True') plt.tight_layout() plt.savefig('output/confusion_matrix.png', dpi=150) # 在整图上做预测 all_patches = extract_patches(img_array, patch_size=15) # 自定义函数 all_patches_flat = all_patches.reshape(-1, patch_size, patch_size, n_bands) # 过滤背景像素 mask_non_zero = label_map != 0 pred_labels = model_predict(all_patches_flat[mask_non_zero]) pred_map = np.zeros_like(label_map) pred_map[mask_non_zero] = pred_labels # 画分类图 plt.figure(figsize=(8, 8)) plt.imshow(pred_map, cmap='jet') plt.colorbar(label='Class ID') plt.axis('off') plt.savefig('output/classification_map.png', dpi=150)

这里的extract_patches是自写函数，作用是以每个像素为中心切出 patch。注意边界像素需要零填充或直接舍弃。Indian Pines 边缘像素只有 7 个像素宽，所以裁剪后可以少掉一圈。在绘制时如果发现分类图边缘有条纹，那不是模型问题，而是边缘像素的 patch 截断导致。

4.3 把分类结果保存成带地理坐标的 .tif 文件

如果你用的是带地理参考的影像，比如从 USGS 下载的 GeoTIFF，分类结果最好也输出成 GeoTIFF，方便在 QGIS 或 ArcGIS 里叠加。常见做法是用rasterio把预测标签矩阵按原来影像的 geotransform 和投影写入。

import rasterio from rasterio.transform import from_origin # pred_map 是空间尺寸和原影像一致的二维数组 with rasterio.open('data/original.tif') as src: profile = src.profile profile.update( count=1, dtype='uint8', compress='lzw' ) with rasterio.open('output/classification.tif', 'w', **profile) as dst: dst.write(pred_map.astype('uint8'), 1)

这里profile包含了height、width、transform、crs等信息，所以能直接把预测结果放回原来的地理位置。dtype='uint8'是因为类别标签最大不超过几十，用整型存储更省空间。compress='lzw'是无损压缩，遥感软件都支持读取。如果你不设置压缩，生成的 tif 可能是原始尺寸的好几倍。

保存完成后，可以用rasterio.open再读回来检查一次，确认 shape 和原影像一致。在答辨时把分类 tif 叠加到原影像上展示，会让整个项目看起来落地程度更高。

5. 避坑：高光谱分类最常见的 5 个翻车现场与排查方法

5.1 数据标签对齐错位，精度直接归零

现象：训练 acc 很高，测试 acc 很低，甚至远远低于随机猜测。

原因：标签矩阵和影像矩阵在读取时没有对齐。很多公开数据的 .mat 文件里，影像数据是 (行, 列, 波段)，标签也是 (行, 列)，看起来没问题；但如果你用了np.reshape，默认按 C 顺序展平，会把每个波段的行列顺序打乱；或者标签里 0 代表背景，1~15 是地物类别，而你误把 0 也当成一个类别参与训练。

解决：先打印img_array.shape和label_map.shape，确认它们前两维一致。然后写一个自查函数，随机取 10 个坐标，把像素的反射率曲线和标签打印出来，人眼检查是否合情理。最常见的是.mat文件里数据要转置一次，比如np.transpose(data, (1, 0, 2))，你转完才能和标签对上。

5.2 归一化在整体数据上做，数据泄漏让你成绩虚高一截

现象：训练和测试精度都接近 100%，但换到另一幅影像上就掉到 60%。

原因：常见做法是先用全图计算均值和标准差，再统一缩放。这样测试集的统计信息已经混进训练过程，模型相当于提前看过测试集的分布。这在答辩时一旦被细问，会被认为实验设计不严谨。

解决：严格切分训练测试后，只在训练集上调用scaler.fit(x_train)，然后用同一个 scaler 去transform(x_test)和transform(prediction_data)。PCA 也一样，先pca.fit(x_train)，再对测试数据做transform。最好把这一步写进同一个 pipeline，避免手工出错。

5.3 显存炸弹：patch 过大、batch 过大，跑一轮就 OOM

现象：PyTorch 报CUDA out of memory，或者卡在数据加载阶段，内存占用几十 GB。

原因：高光谱 patch 是三维的，比如 15×15×200 = 45000 个数值，比你平时处理的 32×32 RGB 图多 500 倍。如果 batch 设为 128，一个 batch 就有 576 万数值，爆显存太正常了。

解决：先确定 patch_size，然后从 batch_size=8 开始试，每次翻倍直到显存占用峰值达到 70% 左右。Indian Pines 这种小数据集，batch 32 足够。如果你必须用大 patch，可以先做 PCA 把波段压到 30 维，再把 patch 切小。真不行就用 CPU 训练，Indian Pines 全套训练也就几分钟到十几分钟。

5.4 少数类别被模型忽略，OA 还行但 Kappa 很低

现象：看 confusion matrix，某两类土壤相关类别完全没有正确预测，但总准确率还有 90% 以上。

原因：数据集类别分布严重不均衡，背景或大面积类别在训练集中占绝对数量，小类别样本太少，loss 被多数类主导。

解决：第一个手段是class_weight='balanced'；第二个是固定每类训练样本数量，比如每类 20 个，不足 20 的类别可以过采样；第三个是采用分层采样，保证训练集和测试集中每个类别比例一致。如果用了深度学习，可以在CrossEntropyLoss里加weight参数，权值为 [1 / class_sample_count] 再归一化。

5.5 深度网络输入维度不对，一运行就报 shape mismatch

现象：Expected 3D input, got 4D或者size mismatch，发生在把 patch 喂给模型时。

原因：高光谱 patch 是从三维影像里切出来的，形状应该是 (行, 行, 波段)，PyTorch 的卷积核需要 (batch, channel, H, W) 或 (batch, channel, H, W, D)。很多新手忘了给通道维，直接把 (batch, H, W, bands) 扔进去。

解决：在forward里第一行加x = x.unsqueeze(1)，把通道维设为 1。如果你用的不是 HybridSN，而是普通 2D CNN，需要先做 PCA 把波段压缩成例如 3 个通道，再当成 RGB 图处理。每次修改模型后，先用一个torch.randn(1, patch_size, patch_size, n_bands)的假张量跑一遍 forward，确认形状没问题再训练。

6. 把毕设做成能答辩的项目：项目文档、使用教程与再进一步的技巧

6.1 项目文档写什么：README、数据说明、运行步骤

毕业设计和课程设计评审时，老师第一眼看的就是 README。你至少要在里面写清楚：项目实现目标、数据集来源和结构、环境依赖、每个脚本的作用、从原始数据到结果的四步流程。很多人只贴代码，不说明数据格式，导致评阅老师第一次运行就因缺文件而失败。

我一般建议采用这样的 README 结构：

• 简介：一句话说明这是高光谱影像分类项目，附一张分类结果图。
• 数据集：注明数据来源、原始波段数、类别数和每个类别样本数，不需要完整目录但至少要写清 Indian Pines 有 16 类。
• 环境依赖：Python 版本、spectral、rasterio、numpy、scikit-learn、torch、matplotlib。最好列出pip install -r requirements.txt。
• 快速开始：三个命令，第一个转数据，第二个训练 SVM 基线，第三个训练深度学习模型。
• 脚本说明：每个 py 文件对应哪一步，输入输出是什么。
• 结果：三个指标、混淆矩阵图、分类图。

这样的文档不需要长篇大论，但要保证换一台新电脑也能按步骤跑通。

6.2 使用教程怎么组织：从环境安装到第一次出图的完整流程

使用教程和 README 是两回事。README 是静态说明，使用教程要带着新手走一遍。你应该包含一个可执行的关键步骤清单：安装 miniconda、创建虚拟环境、安装依赖、下载数据集、运行数据预处理脚本、运行训练脚本、查看输出。不要默认读者已经会配环境，很多课程设计同学卡在第一行pip install spectral上。

在教程里我建议截图展示，但如果只是文档，至少要把每个命令和预期输出写出来。比如运行数据读取脚本后，应该看到(145, 145, 200)这样的输出。给用户一个判断依据，他才知道自己是否成功了。

环境安装还常遇到spectral安装失败，这是因为有些镜像源缺少这个库的对应版本。建议用pip install -q spectral rasterio先装，确认没有报错再继续。rasterio在 Windows 上也比较容易出现依赖问题，但用 wheel 包安装通常是可行的。

6.3 让模型精度再提升一步的 3 个方向

如果你做完基础版本还有时间，往下面三个方向挑一个做深入，整个项目的完成度会上一个档次。

第一个是空间-光谱联合特征增强。我前面给出的 HybridSN 是简化版，你可以尝试把 3D 卷积核调大，或者引入 SE 注意力模块。不要盲目堆层数，高光谱数据量小，浅层比深层更容易训练。

第二个是主动学习或半监督扩展。高光谱标注数据贵，你可以先用小量训练集训练模型，再用预测概率最高的样本加入训练集。这个方向在毕业设计里属于加分项，因为它展示了你对数据成本问题的思考。

第三个是可视化分析。除了分类图，可以画出每类的平均光谱曲线，或者在 PCA 降维后对不同类别做 scatters 图，解释类别可分性。这不需要额外调模型，但答辨时很有说服力。

最后分享一个我的个人习惯：每次实验前，先记下随机种子、patch 大小、波段维数、训练样本量这四件事。高光谱分类实验中，这四个变量任何一个变了，结果都会明显波动。如果不在文档里写清楚，你第二天可能完全无法复现自己的结果。及时记录各种参数组合，比事后花三天重新调参划算得多。希望这个方案能帮你在毕设和课设里少走弯路。

本文还有配套的精品资源，点击获取