如何基于PCA彩色合成图对高光谱图像原始光谱进行聚类分组？

ENVI工具操作流程 #

步骤1：基于PCA彩色合成图创建ROI #

• 打开生成的PCA彩色合成图像，启动ROI Tool（菜单栏>Tools>ROI Tool）
• 针对图像中观察到的每个聚类模式，分别创建独立的ROI类别（可使用手绘、多边形或阈值工具圈选），确保每个聚类区域被准确覆盖

步骤2：提取ROI对应的完整原始光谱 #

• 打开原始高光谱图像，在Toolbox中找到Region of Interest > Extract ROIs from Image工具
• 选择原始高光谱文件和已保存的ROI文件，设置输出路径后运行，即可得到每个ROI对应的原始全波段光谱数据集

步骤3：基于原始光谱的自动聚类（可选） #

• 若需要对原始光谱做自动聚类，可使用Classification > Unsupervised Classification > K-Means工具
• 输入原始高光谱图像，设置聚类数量（参考PCA图中观察到的聚类数目），运行后生成分类结果；后续可结合已创建的ROI对分类结果进行验证或调整

Python解决方案 #

依赖库：spectral、numpy、scikit-learn、scikit-image

1. 读取数据 #

import spectral.io.envi as envi
import numpy as np
from sklearn.cluster import KMeans
from skimage.segmentation import slic

# 读取原始高光谱数据和PCA彩色合成图
hyperspec_data = envi.open('your_raw_hyperspec.hdr', 'your_raw_hyperspec.dat').load()
pca_rgb = envi.open('your_pca_rgb.hdr', 'your_pca_rgb.dat').load()

2. 基于PCA图获取初始聚类区域 #

用SLIC分割PCA图得到初始的聚类掩码（也可手动标注ROI）：

# 根据PCA图中的聚类数设置n_segments
seg_mask = slic(pca_rgb, n_segments=5, compactness=10, sigma=1)

3. 提取分组原始光谱 #

spectral_groups = []
# 遍历每个分割区域，提取对应原始光谱
for seg_id in np.unique(seg_mask):
    region_mask = seg_mask == seg_id
    # 提取该区域的所有全波段光谱
    region_spectra = hyperspec_data[region_mask].reshape(-1, hyperspec_data.shape[2])
    spectral_groups.append(region_spectra)

4. 基于原始光谱的优化聚类（可选） #

如果初始分割不够精准，可对提取的原始光谱做K-Means聚类再映射回图像：

# 合并所有区域的光谱
all_spectra = np.vstack(spectral_groups)
# 初始化K-Means，聚类数参考PCA图中的聚类数
kmeans = KMeans(n_clusters=5, random_state=42)
cluster_labels = kmeans.fit_predict(all_spectra)

# 将聚类标签映射回图像
final_label_img = np.zeros_like(seg_mask)
current_idx = 0
for seg_id in np.unique(seg_mask):
    region_mask = seg_mask == seg_id
    region_size = region_mask.sum()
    final_label_img[region_mask] = cluster_labels[current_idx:current_idx+region_size]
    current_idx += region_size

内容的提问来源于stack exchange，提问作者domarom