简介：本资源是一套面向高光谱图像处理初学者与科研实践者的MATLAB实操资料包，聚焦HDR格式高光谱数据的读取、可视化与基础分析，适用于遥感、农业监测、环境科学等领域的算法验证与教学实验。压缩包共6个文件（9.04MB），含HDR元数据文件（.hdr）、原始高光谱数据（.dat）、MATLAB核心读取脚本（hsi_read.m）、数据说明文档（readme.txt）及ENVI兼容配置文件（.enp），覆盖从数据加载、三维立方体构建到单波段显示的完整流程。已有901人学习下载，配套脚本已适配常见HDR高光谱数据结构，可直接运行完成数据导入与初步可视化；预览可见清晰的目录层级与MACOSX兼容性处理，便于跨平台复现；特别提供注释详尽的hsi_read.m函数，封装了数据维度解析、字节序判断与归一化逻辑，显著降低MATLAB高光谱入门门槛。
1. 高光谱图像处理入门：从HDR文件到MATLAB矩阵
如果你刚接触高光谱遥感，面对一堆以.hdr、.img、.dat为后缀的陌生文件，可能会感到无从下手。这些文件通常来自AVIRIS、HyMap、PRISMA等主流高光谱传感器，它们记录的不是普通的RGB三通道图像，而是包含数百个连续光谱波段的“图像立方体”。在MATLAB里，我们最终的目标是把这些原始数据读成一个三维矩阵，比如[行， 列， 波段数]的格式，这样才能进行后续的分析，比如分类、目标检测、物质识别。这个过程看似简单，但里面有几个关键环节如果没搞清楚，很容易踩坑。比如，那个小小的.hdr头文件里到底藏了什么秘密？为什么直接用imread打不开？不同数据提供商（如USGS、ENVI标准）的格式有何细微差别？今天，我就结合自己处理过几十个不同来源高光谱数据集的经验，把从原始文件到MATLAB可用数据的完整流程、核心原理和避坑要点给你讲透。
简单来说，高光谱数据存储通常采用“BSQ”、“BIL”或“BIP”的格式，这指的是像元（Pixel）和波段（Band）在二进制文件中的排列顺序。而.hdr（Header）文件是一个纯文本文件，它不存储图像数据本身，而是像一个“说明书”，告诉软件（如ENVI、MATLAB）如何正确解析那个庞大的二进制数据文件（.img或.dat）。所以，读取高光谱数据的核心就是：先读懂.hdr文件，再根据其指示去解析二进制文件。在MATLAB生态中，我们有几种主流方法：使用内置的multibandread函数（最灵活但需手动解析头文件）、借助图像处理工具箱的hypercube对象（R2019b后引入，较友好），或者利用第三方工具箱如HyperSpectral Toolbox。本文将重点讲解最通用、最能让你理解底层原理的multibandread方法，并对比其他方法的优劣。
2. 解密HDR头文件：数据读取的“导航图”
.hdr文件是整个读取过程的钥匙。它通常是一个可以用任何文本编辑器打开的ASCII文件。里面定义了一系列键值对，下面我列出一个典型的ENVI标准高光谱数据头文件内容，并逐一解释其关键参数：
ENVI description = { AVIRIS-NG Data, Flight Line f170630t01p00r07 } samples = 1000 lines = 500 bands = 224 header offset = 0 file type = ENVI Standard data type = 4 interleave = bsq sensor type = AVIRIS-NG byte order = 0 wavelength units = Nanometers wavelength = { 380.000000, 382.000000, 384.000000, ... , 2500.000000 }我们来拆解这些关键参数：
- samples, lines, bands: 这定义了数据立方体的三维尺寸。
samples是每行的像元数（宽度），lines是图像的行数（高度），bands是光谱波段数（深度）。这是定义数据体积的基础。 - data type: 这是最容易出错的地方之一。它定义了每个像元值在二进制文件中存储的数据类型。
4代表32-bit float，12代表16-bit unsigned integer，1代表8-bit byte。在MATLAB中，你必须使用对应的数据类型去读取，否则数据会完全错乱。常见的映射关系是：4->'single'，12->'uint16'，1->'uint8'。 - interleave: 指数据在文件中的存储顺序，决定了我们读取数据的方式。
bsq(Band Sequential): 最直观的顺序。先存储第一个波段的所有行所有列，再存第二个波段的所有行所有列，以此类推。想象成一叠胶片，每张胶片是一个完整的波段图像。bil(Band Interleaved by Line): 按行交错。先存储第一行所有波段的数据，再存储第二行所有波段的数据。想象成扫描仪一行一行地扫，每扫一行就记录这一行在所有波段上的值。bip(Band Interleaved by Pixel): 按像元交错。先存储第一个像元在所有波段上的值，再存储第二个像元在所有波段上的值。这是最“光谱连续”的存储方式，适合需要频繁进行像元级光谱分析的算法。
- byte order: 字节序，即“大端序”还是“小端序”。
0表示小端序（Intel处理器格式），1表示大端序（Motorola处理器格式、某些Unix工作站）。如果设置错误，读取的数字会变得巨大且毫无意义。大多数x86/64系统（我们的个人电脑）都是小端序，但遥感数据有时会来自大端序系统，需要特别注意。 - header offset: 头文件偏移量。有些数据文件会把头信息（非标准
.hdr）和数据混合在一个文件里，header offset指明了真正的图像数据从文件开头跳过多少字节后开始。通常标准的“ENVI .hdr + .img”格式中，此值为0。 - wavelength: 这是一个非常重要的元数据，它列出了每个波段对应的中心波长值。这对于后续的光谱分析、大气校正、特征提取至关重要。没有波长信息，数据就只是一堆数字，失去了物理意义。
在实际操作中，我建议第一步永远是用文本编辑器打开.hdr文件，确认以上参数。我曾经遇到过数据提供方给出的.hdr文件中data type写错的情况，导致用预设类型读取后全是噪声。手动核对是避免浪费时间的第一步。
3. 使用MATLAB multibandread函数进行精确读取
multibandread是MATLAB中读取多波段二进制数据的底层核心函数，功能强大且灵活。它的基本语法是：X = multibandread(filename, size, precision, offset, interleave, byteorder)
现在，我们假设有一个文件my_data.img，其对应的头文件my_data.hdr内容如上节示例所示。我们来一步步构建读取语句：
第一步：解析头文件参数（手动或编程）我们可以写一个简单的函数来解析.hdr文件，或者手动记录下关键值。假设我们手动记录：
samples = 1000lines = 500bands = 224data type = 4(对应MATLAB的'single')interleave = 'bsq'byte order = 0(对应'ieee-le'， 即小端序)header offset = 0
第二步：构建multibandread调用根据上述参数，我们的读取命令如下：
filename = 'my_data.img'; % 定义数据尺寸 [行， 列， 波段] data_size = [500, 1000, 224]; % 定义数据类型 data_precision = 'single'; % 定义头偏移量（字节） offset = 0; % 定义交错方式 interleave = 'bsq'; % 定义字节序 byteorder = 'ieee-le'; % 读取数据 hyperspectral_data = multibandread(filename, data_size, data_precision, offset, interleave, byteorder);执行后，hyperspectral_data就是一个500x1000x224的三维single类型数组。你可以用size(hyperspectral_data)来验证，并用imshow(hyperspectral_data(:,:,50), [])来显示第50个波段的灰度图像。
第三步：处理不同Interleave的读取逻辑multibandread函数会自动根据你提供的interleave参数来重组数据。但你需要理解背后的逻辑。对于bil和bip格式，multibandread同样可以处理，你只需要改变interleave参数即可。函数内部会处理数据重排，最终返回的矩阵总是[行， 列， 波段]的BSQ格式，这非常方便。
注意：数据范围与显示。高光谱原始数据（DN值， 数字量化值）的范围可能很大（例如0-65535的16位整数， 或带小数点的浮点数）。直接用
imshow(I)显示可能会因为数据范围超出默认的[0,1]或[0,255]而显示全白或全黑。因此，显示时通常需要指定显示范围imshow(I, [])（自动拉伸对比度）或先进行归一化imshow(I, [min(I(:)), max(I(:))])。
4. 利用hypercube对象与第三方工具箱简化流程
如果你使用的是MATLAB R2019b或更新版本，图像处理工具箱（Image Processing Toolbox）提供了hypercube对象，它封装了读取和操作高光谱数据的功能，使用起来更面向对象、更简洁。
使用hypercube读取hypercube函数可以直接读取ENVI格式的数据（需要.hdr和.img文件对）。
hcube = hypercube('my_data.img');一行代码就够了！hypercube对象会自动解析.hdr文件。你可以通过属性访问数据：
data = hcube.DataCube; % 获取三维数据矩阵 wavelength = hcube.Wavelength; % 获取波长向量 metadata = hcube.Metadata; % 获取元数据hypercube还集成了许多可视化方法，如spectrumViewer（查看单个像元的光谱曲线）、colorize（生成RGB假彩色图像）等，对于快速探索数据非常方便。
第三方工具箱：HyperSpectral Toolbox在MATLAB File Exchange或GitHub上，有一些优秀的第三方高光谱工具箱，例如由Isaac Gerg开发的“HyperSpectral Toolbox”。这些工具箱通常提供了更丰富的函数，包括数据读取、预处理、分类、端元提取、可视化等一站式解决方案。 使用这类工具箱读取数据可能像这样：
addpath('path_to_hyperspectral_toolbox'); [img, info] = enviread('my_data'); % 自动识别.hdr和.imgenviread函数会返回数据矩阵img和一个包含所有头文件信息的结构体info。
方法对比与选择建议
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
multibandread | 最底层、最灵活、不依赖特定工具箱、可处理任何自定义二进制格式。 | 需要手动解析头文件参数，步骤稍繁琐。 | 需要完全控制读取过程、处理非标准格式、编写可移植性强的代码。 |
hypercube对象 | 使用简单，一行代码读取；面向对象，集成可视化工具；与MATLAB图像处理生态结合好。 | 需要R2019b以上版本及Image Processing Toolbox；对非常规头文件支持可能有限。 | 快速数据探索、原型开发、利用MATLAB内置高光谱算法（如imsegkmeans3用于聚类）。 |
| 第三方工具箱 | 功能全面，常包含预处理、分析等高级函数；社区支持可能较好。 | 需要额外下载安装；不同工具箱API不同，增加学习成本；代码依赖外部库。 | 进行系统性的高光谱研究，需要用到特定算法（如SVM分类、端元提取）。 |
我的个人经验是：初学者或进行快速分析时，优先使用hypercube，它能极大降低入门门槛。当hypercube读取失败（如遇到非标准头文件），或者你需要将读取代码集成到一个需要高度兼容性的项目中时，回归multibandread并手动解析头文件是最可靠的方法。第三方工具箱则在你有特定算法需求时值得探索。
5. 从读取到分析：关键预处理步骤与常见问题排查
成功将数据读入MATLAB只是一个开始。原始的高光谱数据通常不能直接用于分析，需要经过一系列预处理。此外，读取过程中也可能遇到各种问题。
5.1 基础预处理步骤
- 坏波段剔除：高光谱传感器的某些波段可能由于水汽吸收（如940nm， 1130nm， 1400nm， 1900nm附近）或传感器噪声而信噪比极低。这些波段需要被识别并剔除。通常可以查看整个场景的平均光谱曲线，将那些值异常低或波动异常剧烈的波段找出来。
mean_spectrum = squeeze(mean(mean(hyperspectral_data, 1), 2)); % 计算全局平均光谱 plot(wavelength, mean_spectrum); xlabel('Wavelength (nm)'); ylabel('DN'); % 通过观察图，手动确定需要剔除的波段索引，例如水汽吸收区 bad_bands = [1:10, 100:110, 220:224]; % 假设这些是坏波段 hyperspectral_data(:,:,bad_bands) = []; wavelength(bad_bands) = []; - 辐射定标与反射率转换：这是最核心、也最容易出错的步骤之一。传感器记录的原始DN值代表的是辐射亮度（Radiance）。为了进行地物识别和定量分析，通常需要将其转换为地表反射率（Reflectance）。这需要传感器的定标系数（增益和偏移）以及进行大气校正。对于公开数据集（如USGS提供的AVIRIS数据），有时会同时提供辐射亮度数据和经过初步大气校正的表观反射率数据。务必确认你下载的数据产品级别（Level）。如果只有辐射亮度数据，而你需要反射率，则必须使用大气校正模型（如FLAASH、ATCOR、6S等，这些通常有专门的软件或代码库），这个过程非常复杂，超出了单纯数据读取的范围。一个常见的误区是试图用简单的“除以参考板”或经验线性关系来转换，这在多数情况下是不准确的。
- 数据归一化/标准化：为了消除光照变化、地形阴影等的影响，便于后续的机器学习算法处理，常对每个像元的光谱进行归一化（如除以该像元在所有波段上的范数）或标准化（减去均值除以标准差）。这通常在像元级或整个数据集上进行。
5.2 读取过程中的典型问题与排查
错误: “文件标识符无效”或“文件未找到”
- 检查路径：确保
filename字符串中的路径正确。在MATLAB中使用cd命令切换到数据所在文件夹，或使用绝对路径。 - 检查文件权限：确保你有该文件的读取权限。
- 检查文件完整性：确保
.img数据文件没有损坏或下载不完整。对比文件大小是否与头文件中samples * lines * bands * bytes_per_pixel的计算结果大致相符。
- 检查路径：确保
错误: 数据矩阵维度不对或全是乱码
- 核对头文件参数：这是最常见的原因。逐项检查
samples,lines,bands是否与文件实际匹配。一个快速验证的方法是，用dir命令查看.img文件的大小（字节数），然后计算：文件大小 ≈ header offset + samples * lines * bands * bytes_per_pixel。如果差距巨大，参数很可能错了。 - 确认data type：确保MATLAB的
precision字符串与头文件中的data type完全对应。4是'single'（4字节），12是'uint16'（2字节），1是'uint8'（1字节）。用错会导致数据错位。 - 确认byte order：如果数据来自其他系统，尝试将
byteorder从'ieee-le'改为'ieee-be'，或反之。 - 确认interleave：如果
interleave设置错误，读出的数据在三维重排后会完全混乱。如果你知道数据是BSQ格式但错设为BIL，图像会呈现奇怪的条纹状。
- 核对头文件参数：这是最常见的原因。逐项检查
hypercube读取失败
- 检查头文件格式：
hypercube对ENVI标准头文件支持较好。确保你的.hdr文件是纯文本格式，并且关键字段（特别是lines,samples,bands,data type）存在且格式正确。有时头文件里有多余的空格、换行或特殊字符会导致解析失败。可以尝试用一个标准的、能正常读取的头文件作为模板，修改参数。 - 检查工具箱版本：确认你的Image Processing Toolbox版本支持
hypercube函数。
- 检查头文件格式：
5.3 内存不足问题处理高光谱数据体积庞大（500行 x 1000列 x 224波段 x 4字节/像元 ≈ 447 MB）。如果数据更大，或者你的MATLAB可用内存不足，直接读取整个立方体可能导致“内存不足”错误。
- 使用
multibandread的部分读取功能：multibandread允许你只读取数据的子集。通过'region'参数可以指定读取的行范围、列范围和波段范围。% 只读取前100行，前200列，前50个波段 subset = multibandread(filename, data_size, data_precision, offset, interleave, byteorder, ... 'region', {[1 100], [1 200], [1 50]}); - 分块处理：对于必须处理全图的操作，可以编写循环，每次只读取和处理一部分行或列（即一个“条带”），处理完后再读取下一块。这是处理超大规模遥感图像的常用策略。
- 增加虚拟内存/使用64位MATLAB：确保你使用的是64位版本的MATLAB，它能够访问更多的系统内存。同时，可以在操作系统设置中适当增加页面文件（虚拟内存）的大小。
6. 实战案例：完整处理一份公开高光谱数据集
让我们以一份假设的公开数据集（例如， 来自Purdue大学的“Indian Pines”高光谱图像的某个版本）为例，完成从下载到初步可视化的全流程。假设我们下载后得到两个文件：indian_pines.img和indian_pines.hdr。
步骤1：检查头文件用记事本打开indian_pines.hdr，看到如下内容：
ENVI samples = 145 lines = 145 bands = 220 header offset = 0 file type = ENVI Standard data type = 2 interleave = bsq byte order = 0注意这里data type = 2。查ENVI文档可知，2对应16-bit signed integer，即MATLAB中的'int16'。
步骤2：使用multibandread读取
% 步骤2.1: 定义参数 img_file = 'indian_pines.img'; samples = 145; lines = 145; bands = 220; data_type = 'int16'; % 关键！根据data type=2设置 offset = 0; interleave = 'bsq'; byteorder = 'ieee-le'; % 步骤2.2: 读取数据 data_cube = multibandread(img_file, [lines, samples, bands], data_type, offset, interleave, byteorder); whos data_cube % 查看变量信息，应为145x145x220 int16步骤3：数据可视化探索
% 显示某个波段的灰度图（例如第50波段） band_to_show = 50; figure; imagesc(data_cube(:,:,band_to_show)); axis image; colorbar; title(sprintf('Band %d', band_to_show)); colormap(gray); % 提取某个像元的光谱曲线（例如位于(50, 50)的像元） row_idx = 50; col_idx = 50; spectrum = squeeze(data_cube(row_idx, col_idx, :)); figure; plot(1:bands, spectrum, 'b-', 'LineWidth', 1.5); xlabel('Band Number'); ylabel('Digital Number (DN)'); title(sprintf('Spectrum at pixel (%d, %d)', row_idx, col_idx)); grid on;步骤4：简单的坏波段剔除（示例）假设通过观察平均光谱或已知信息，我们发现前4个波段和最后4个波段噪声很大。
bad_bands = [1:4, 217:220]; % 要剔除的波段索引 data_cube_cleaned = data_cube(:,:,~ismember(1:bands, bad_bands)); cleaned_bands = bands - length(bad_bands); fprintf('原始波段数：%d， 剔除后波段数：%d\n', bands, cleaned_bands);通过这个完整流程，你就成功地将硬盘上的二进制高光谱数据，转换成了MATLAB工作区中一个可以任意操作的三维矩阵，并完成了最基本的质量检查。后续的分析，无论是监督分类、异常检测还是光谱解混，都建立在这个坚实的基础之上。记住，正确读取和理解数据是任何分析项目成功的第一步，多花时间在这一步进行验证，能避免后续大量因数据错误导致的无效工作。
本文还有配套的精品资源，点击获取
