GitHub开源项目Hyperspectral-Classification的解析

GitHub链接：Hyperspectral-Classification Pytorch。

项目简介

项目的作者是Xidian university，是基于PyTorch的高光谱图像地物目标的分类程序。该项目兼容Python 2.7和Python 3.5+，基于PyTorch深度学习和GPU计算框架，并使用Visdom可视化服务器。

预定义的公开的数据集有：

• 帕维亚大学
• 帕维亚中心
• 肯尼迪航天中心
• 印度松树
• 博茨瓦纳

用户也可添加自定义的数据集，示例是“数据融合大赛2018的高光谱数据集”DFC2018_HSI。开发人员应该为CUSTOM_DATASETS_CONFIG变量添加一个新条目，并为其用例定义特定的数据加载器。

该工具实现了scikit-learn库中的几个SVM变体以及PyTorch中实现的许多最先进的深度网络：

• SVM（带网格搜索的线性，RBF和多核）
• SGD（使用随机梯度下降的线性SVM进行快速优化）
  基线神经网络（4个完全连接的层，有丢失）
• 1D CNN（用于高光谱图像分类的深度卷积神经网络，Hu等人，Journal of Sensors 2015）
• 半监督的1D CNN（Autoencodeurs pour la visualization d’images hyperspectrales，Boulch et al。，GRETSI 2017）
• 2D CNN（用于图像分类和频带选择的高光谱CNN，应用于人脸识别，Sharma等，技术报告2018）
• 半监督2D CNN（用于高光谱图像分类的半监督卷积神经网络，Liu等，遥感信函2017）
• 3D CNN（用于遥感图像分类的三维深度学习方法，Hamida等，TGRS 2018）
• 3D FCN（基于上下文深度CNN的高光谱分类，Lee和Kwon，IGARSS 2016）
• 3D CNN（基于卷积神经网络的深度特征提取和高光谱图像分类，Chen等，TGRS 2016）
• 3D CNN（三维卷积神经网络的高光谱图像的光谱 - 空间分类，Li等，遥感2017）
• 3D CNN（HSI-CNN：用于高光谱图像的新型卷积神经网络，Luo等，ICPR 2018）
• 多尺度3D CNN（用于高光谱图像分类的多尺度3D深度卷积神经网络，He等，ICIP 2017）

用户也可以通过修改models.py文件来添加自定义深层网络。这意味着为自定义深层网络创建一个新类并更改该get_model功能。

项目各模块和函数的解析

utils.py

---

get_device(ordinal)

功能：

根据输入参数，判断device为CPU或GPU。

输入和输出：

输入：

• ordinal：一个int类型的数，表示用哪个GPU

输出：

• device：一个超参数，表示运算的位置（CPU or GPU）

代码：

def get_device(ordinal):
    # Use GPU ?
    if ordinal < 0:
        print("Computation on CPU")
        device = torch.device('cpu')
    elif torch.cuda.is_available():
        print("Computation on CUDA GPU device {}".format(ordinal))
        device = torch.device('cuda:{}'.format(ordinal))
    else:
        print("/!\\ CUDA was requested but is not available! Computation will go on CPU. /!\\")
        device = torch.device('cpu')
    return device

解析：

其实就是一个简单的分支结构：

• ordinal < 0：CPU
• ordinal < 0且orch.cuda.is_available() == True：GPU
• ordinal < 0且orch.cuda.is_available() == False：CPU

---

open_file(dataset)

功能：

打开指定的数据集的文件。

输入和输出：

输入：

• dataset：数据集文件的完整路径，比如C:\Datasets\OwnData\OwnData.mat。

输出（以读取.mat为例，因为读取的以.mat文件居多）：

• 一个以变量名为键，以数据为值的字典dictionary。

代码：

def open_file(dataset):
    _, ext = os.path.splitext(dataset)
    ext = ext.lower()
    if ext == '.mat':
        # Load Matlab array
        return io.loadmat(dataset)
    elif ext == '.tif' or ext == '.tiff':
        # Load TIFF file
        return misc.imread(dataset)
    elif ext == '.hdr':
        img = spectral.open_image(dataset)
        return img.load()
    else:
        raise ValueError("Unknown file format: {}".format(ext))

解析：

最重要的是 _, ext = os.path.splitext(dataset)中的os.path.splitext(path)函数。
该函数将输入的路径path拆分为文件名 + 扩展名，并依次作为返回值。_, ext表示只获取扩展名，存入变量ext。之后就是根据不同的扩展名选择不同的打开方式。

需要注意的是，打开.mat文件，返回值是一个以变量名为键，以数据为值的字典dictionary。要取出其中的数据，需要通过字典操作，通过访问键来获取值，比如img = open_file(folder + 'OwnData.mat')['Data']。

---

来源：https://blog.csdn.net/qq_41683065/article/details/99452227