实例介绍
【实例简介】
对光学遥感影像进行分类,对特征进行标记,使用SVM、随机森林进行分类预测精度
【实例截图】
【核心代码】
import os
import numpy as np
from sklearn import svm
import pcl
import datetime
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 读取影像
class datasets:
def read_file(self,infile):
dataset=gdal.Open(infile)
im_width=dataset.RasterXSize
im_height=dataset.RasterYSize
#self.bands=dataset.GetRasterBand
im_geotran=dataset.GetGeoTransform()
im_prj=dataset.GetProjection()
im_data=dataset.ReadAsArray(0,0,im_width,im_height)
del dataset
return im_prj,im_geotran,im_data
dog=datasets()
pro,geo,data=dog.read_file("E:/class/can_tmr.img")
data=data.astype(np.float64) #转换格式
[m,n1,n2]=data.shape# 获取data的信息
data=data.reshape((m,n1*n2)).T # M是数据的维度的格式 n1是行,n2是列
trpro,trgeo,trlabel=dog.read_file("E:/class/train_3.tif") #获取分类标签数据, label是样本标签
trlabel=trlabel.reshape((n1*n2,1)) #重组数据
trindex=np.where(trlabel<10) # np.where(条件,x,y)满足条件 输出 x, 不满足输出y
tepro,tegeo,telabel=dog.read_file("E:/class/test_3.tif")
telabel=telabel.reshape((n1*n2,1))
teindex=np.where(telabel<10)
trlabel=np.reshape(trlabel,(-1)) # 自动重组 -1的作用
telabel=telabel[teindex[0]]
#支持向量机
svm_clf=svm.SVC(C=1, kernel='poly', gamma=0.14, decision_function_shape='ovr')
svm_clf.fit(trdata,trlabel)
y_hat = svm_clf.predict(tedata)
acc = accuracy_score(telabel, y_hat)
np.set_printoptions(suppress=True)
print (u'预测正确的样本个数:%d,svm_正确率:%.2f%%' % (round(acc*2346), 100*acc))
#随机森林
rf_clf=RandomForestClassifier(n_estimators=500)
rf_clf.fit(trdata,trlabel)
y_hat=rf_clf.predict(tedata)
acc=accuracy_score(telabel,y_hat)
np.set_printoptions(suppress=True)
print (u'预测正确的样本个数:%d,rf_正确率:%.2f%%' % (round(acc*2346), 100*acc))
标签: 分类
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论