一、环境准备

        需要安装spectral包，这个包专门用于高光谱数据展示。

pip install spectral

二、数据加载

        要预先准备原始高光谱的.mat数据和分类数据gt.mat(ground-turth)；然后使用scipy.io中的loadmat(.)将其读入程序。

from scipy.io import loadmat

org_img = loadmat('HDate/PaviaU/paviaU.mat')

        需要注意的是，直接使用loadmat(.)会输出一个dict字典，其构成如下：

        为了获取其中真正的高光谱数据矩阵，需要在loadmat(.)后再加一个 索引进行定位，所以完整的读取语句应该是：

from scipy.io import loadmat

input_image = loadmat('HDate/PaviaU/paviaU.mat')['paviaU']
gt = loadmat("HDate/PaviaU/paviaU_gt.mat")['paviaU_gt']

        通过输出两个变量的种类和尺寸：

         可知，高光谱图像是一个610*340*103的矩阵，类似于传统的RGB图像，前两维为长宽，最后一维为通道数，不过通道数相较于只有3通道的RGB图像而言要高很多。

        而gt作为预先标记好的ground-turth矩阵，其相当于一张灰度图，每个像素点的值从0-255，分别表示不同的种类。

三、数据展示

        数据展示主要使用spectral中的imshow(.)来完成，用法同opencv里的imshow(.)

        1.高光谱图片展示

import spectral as spy

view1 = spy.imshow(data=input_image, bands=[69, 27, 11], title="img")

                tips.函数中的bands参数用于校正颜色，如果不添加bands参数就会出现渲染的颜色不正确的问题（如下图所示）。

         2.高光谱分类展示

view2 = spy.imshow(classes=gt, title="gt")

        3.高光谱图像和分类叠加展示

view3 = spy.imshow(data=input_image, bands=[69, 27, 11], classes=gt)

         4.高光谱颜色通道展示

                不知道什么用，反正就是很炫

spy.view_cube(input_image, bands=[69, 27, 11])

         5.高光谱高维特征展示

pc = spy.principal_components(input_image)
xdata = pc.transform(input_image)
spy.view_nd(xdata[:, :, :15], classes=gt)

        6.数据保存

                 使用save_rgb(.)函数可以将上面的几种图以RGB图像的形式保存在指定位置，函数如下：

spy.save_rgb(data=input_image,bands=[69, 27, 11],filename='hello.jpg')

 四、小实验

        如果使用opencv来进行高光谱图像的展示会因为第三维通道数过多而报错。但gt相当于灰度图则不会出现这个问题。

        但由于类别之间的差距过小（类别序号普遍不高于10），实际显示出来就是一片黑色。所以对每个元素都放大10倍后再使用opencv进行显示：

gtx = gt*10
cv2.imshow('Test',gtx)