Данные о считанной ссылке спектральной библиотеки ECOSTRESS

Добавьте полный путь к файлу, содержащий файлы библиотеки ECOSTRESS, и задайте имена файлов, которые будут считаны из библиотеки.

fileroot = matlabshared.supportpkg.getSupportPackageRoot();
addpath(fullfile(fileroot,'toolbox','images','supportpackages','hyperspectral','hyperdata','ECOSTRESSSpectraFiles'));
filenames = ["water.seawater.none.liquid.tir.seafoam.jhu.becknic.spectrum.txt",...
             "water.tapwater.none.liquid.all.tapwater.jhu.becknic.spectrum.txt",...
             "water.ice.none.solid.all.ice_dat_.jhu.becknic.spectrum.txt",...
             "vegetation.tree.eucalyptus.maculata.vswir.jpl087.jpl.asd.spectrum.txt",...
             "soil.utisol.hapludult.none.all.87p707.jhu.becknic.spectrum.txt",...
             "soil.mollisol.cryoboroll.none.all.85p4663.jhu.becknic.spectrum.txt",...
             "manmade.road.tar.solid.all.0099uuutar.jhu.becknic.spectrum.txt",...   
             "manmade.concrete.pavingconcrete.solid.all.0092uuu_cnc.jhu.becknic.spectrum.txt"];
lib = readEcostressSig(filenames);

Отобразите lib данные и смотрят его значения. Данные являются переменной struct определение класса, подкласса, длины волны и сопутствующей информации коэффициента отражения.

lib

lib=1×8 struct array with fields:
    Name
    Type
    Class
    SubClass
    ParticleSize
    Genus
    Species
    SampleNo
    Owner
    WavelengthRange
    Origin
    CollectionDate
    Description
    Measurement
    FirstColumn
    SecondColumn
    WavelengthUnit
    DataUnit
    FirstXValue
    LastXValue
    NumberOfXValues
    AdditionalInformation
    Wavelength
    Reflectance
      ⋮

Постройте спектральные подписи, считанные из спектральной библиотеки ECOSTRESS.

figure
hold on
for idx = 1:numel(lib)
    plot(lib(idx).Wavelength,lib(idx).Reflectance,'LineWidth',2);
end
axis tight
box on
xlabel('Wavelength (\mum)');
ylabel('Reflectance (%)');
classNames = {lib.Class};
legend(classNames,'Location','northeast')
title('Reference Spectra from ECOSTRESS Library');
hold off

Данные о тесте чтения

Считайте тестовые данные из набора данных Джаспера Риджа при помощи hypercube функция. Функция возвращает hypercube возразите, что хранит куб данных и информации метаданных, считанные из тестовых данных. Тестовые данные имеют 198 диапазонов и их диапазон длин волн от 399,4 нм до 2 457 нм. Спектральное разрешение составляет до 9,9 нм, и пространственное разрешение каждого изображения полосы 100 100. Тестовые данные содержат четыре endmembers скрытых, который включает дорогу, почву, воду и деревья.

hcube = hypercube('jasperRidge2_R198.hdr');

Извлеките спектры Endmember

Чтобы вычислить общее количество спектрально отличного endmembers, существующего в тестовых данных, используйте countEndmembersHFC функция. Эта функция находит количество endmembers при помощи метода Harsanyi–Farrand–Chang (HFC). Установите вероятность ложного предупреждения (PFA) к низкой стоимости во избежание ложных обнаружений.

numEndmembers = countEndmembersHFC(hcube,'PFA',10^-27);

Извлеките endmembers тестовых данных при помощи метода N-FINDR.

endMembers = nfindr(hcube,numEndmembers);

Считайте значения длины волны из hypercube объект hcube. Постройте извлеченные endmember подписи. Тестовые данные включают 4 endmember материала, и имена классов этих материалов могут быть идентифицированы посредством спектрального соответствия.

figure
plot(hcube.Wavelength,endMembers,'LineWidth',2)
axis tight
xlabel('Wavelength (nm)')
ylabel('Data Values')
title('Endmembers Extracted using N-FINDR')
num = 1:numEndmembers;
legendName = strcat('Endmember',{' '},num2str(num'));
legend(legendName)

Идентифицируйте материал Endmember

Чтобы идентифицировать имя endmember материала, используйте spectralMatch функция. Функция вычисляет спектральное подобие между файлами библиотеки и endmember спектры, которые будут классифицированы. Выберите метод спектрального информационного расхождения (SID) для вычисления соответствующего счета. Как правило, низкая стоимость счета SID означает лучшее соответствие между тестом и ссылочными спектрами. Затем тестовые спектры классифицируется, чтобы принадлежать классу лучших соответствующих ссылочных спектров.

Например, чтобы идентифицировать класс третьего и четвертого endmember материала, найдите спектральное подобие между подписями библиотеки и соответствующими endmember спектрами. Индекс минимального значения баллов SID задает имя класса в спектральной библиотеке. Третьи endmember спектры идентифицированы, как Морская вода и четвертые endmember спектры идентифицированы как Дерево.

wavelength = hcube.Wavelength;
detection = cell(1,1);
cnt = 1;
queryEndmember = [3 4];
for num = 1:numel(queryEndmember)
    spectra = endMembers(:,queryEndmember(num));
    scoreValues = spectralMatch(lib,spectra,wavelength,'Method','sid');
    [~, matchIdx] = min(scoreValues);
    detection{cnt} = lib(matchIdx).Class;
    disp(strcat('Endmember spectra ',{' '},num2str(queryEndmember(num)),' is identified as ',{' '},detection{cnt}))
    cnt=cnt+1;
end

Endmember spectra 3 is identified as Sea Water
Endmember spectra 4 is identified as Tree

Сегмент области Endmember в тестовых данных

Чтобы визуально смотреть идентификационные результаты, локализуйте и сегментируйте области изображений, характерные для endmember материалов в тестовых данных. Используйте sid функция, чтобы вычислить мудрое пикселем спектральное подобие между пиксельными спектрами и извлеченными endmember спектрами. Затем выполните пороговую обработку, чтобы сегментировать желаемые endmember области в тестовых данных и сгенерировать сегментированное изображение. Выберите значение для порога как 15, чтобы выбрать лучшие пиксели соответствия.

Для визуализации сгенерируйте версию RGB тестовых данных при помощи colorize функционируйте и затем, наложите сегментированное изображение на тестовое изображение.

threshold = 15;
rgbImg = colorize(hcube,'method','rgb','ContrastStretching',true);
overlayImg = rgbImg;
labelColor = {'Blue','Green'};
segmentedImg = cell(size(hcube.DataCube,1),size(hcube.DataCube,2),numel(queryEndmember));
for num = 1:numel(queryEndmember)
    scoreMap = sid(hcube,endMembers(:,queryEndmember(num)));
    segmentedImg{num} = scoreMap <= threshold;
    overlayImg = imoverlay(overlayImg,segmentedImg{num},labelColor{num});   
end

Отображение результатов

Визуально смотрите идентификационные результаты путем отображения сегментированных изображений и изображения overlayed, которое подсвечивает Морскую воду и Дерево endmember области в тестовых данных.

figure('Position',[0 0 900 400])
plotdim = [0.02 0.2 0.3 0.7;0.35 0.2 0.3 0.7];
for num = 1:numel(queryEndmember)
    subplot('Position',plotdim(num,:))
    imagesc(segmentedImg{num})
    title(strcat('Segmented Endmember region :',{' '},detection{num}));
    colormap([0 0 0;1 1 1])
    axis off
end

figure('Position',[0 0 900 400])
subplot('Position',[0 0.2 0.3 0.7])
imagesc(rgbImg)
title('RGB Transformation of Test Data');
axis off
subplot('Position',[0.35 0.2 0.3 0.7])
imagesc(overlayImg)
title('Overlay Segmented Regions')
hold on
dim = [0.66 0.6 0.3 0.3];
annotation('textbox',dim,'String','Sea Water','Color',[1 1 1],'BackgroundColor',[0 0 1],'FitBoxToText','on');
dim = [0.66 0.5 0.3 0.3];
annotation('textbox',dim,'String','Tree','BackgroundColor',[0 1 0],'FitBoxToText','on');
hold off
axis off

Ссылки

[1] Крюзе, F.A., А.Б. Лефкофф, Дж.В. Боардмен, К.Б. Хейдебречт, А.Т. Шапиро, П.Дж. Барлун и A.F.H. Goetz. “Спектральная система обработки изображений (SIPS) — Интерактивная Визуализация и Анализ Обработки изображений Данных о Спектрометре”. Дистанционное зондирование Среды 44, № 2-3 (май 1993): 145–63. https://doi.org/10.1016/0034-4257 (93) 90 013 Н.