countEndmembersHFC

Найдите количество endmembers

свернуть все на странице

    Синтаксис

    numEndmembers = countEndmembersHFC(inputData)
    numEndmembers = countEndmembersHFC(inputData,Name,Value)

    Описание

    пример

    numEndmembers = countEndmembersHFC(inputData) находит количество endmembers существующим в гиперспектральном кубе данных при помощи метода побеленного шумом Harsanyi-Farrand-Chang (NWHFC).

    пример

    numEndmembers = countEndmembersHFC(inputData,Name,Value) задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение". Например, 'NoiseWhiten',false не выполняет отбеливание шума данных прежде, чем извлечь endmembers.

    Примечание

    Эта функция требует Image Processing Toolbox™ Гиперспектральная Библиотека Обработки изображений. Можно установить Image Processing Toolbox Гиперспектральная Библиотека Обработки изображений из Add-On Explorer. Для получения дополнительной информации об установке дополнений, смотрите, Получают и Управляют Дополнениями.

    Примеры

    свернуть все

    Скрипт Open Live Script

    Считайте гиперспектральные данные в рабочую область.

    hcube = hypercube('jasperRidge2_R198.hdr');

    Найдите количество endmembers в гиперспектральных данных при помощи метода NWHFC.

    numEndmembers = countEndmembersHFC(hcube);

    Оцените endmember спектры с помощью метода N-FINDR. 

    endmembers = nfindr(hcube,numEndmembers);

    Постройте endmember спектры. 

    figure
plot(endmembers)
title(['Number of Endmembers: ' num2str(numEndmembers)])
xlabel('Band Number')
ylabel('Data Values')

    Скрипт Open Live Script

    Считайте гиперспектральные данные в рабочую область.

    hcube = hypercube('jasperRidge2_R198.hdr');

    Найдите количество endmembers в гиперспектральных данных при помощи метода HFC. Чтобы использовать метод HFC, установите 'NoiseWhiten' значение параметров к false.

    numEndmembers = countEndmembersHFC(hcube,'NoiseWhiten',false);

    Оцените endmember спектры с помощью метода N-FINDR. 

    endmembers = nfindr(hcube,numEndmembers);

    Постройте endmember спектры.

    figure
plot(endmembers)
title(['Number of Endmembers: ' num2str(numEndmembers)])
xlabel('Band Number')
ylabel('Data Values')

    Входные параметры

    свернуть все

    Введите гиперспектральные данные в виде 3-D числового массива, которые представляют гиперспектральный куб данных размера M-by-N-by-C или hypercube объект. Если входом является hypercube объект, функция читает куб данных, сохраненный в DataCube свойство объекта. Гиперспектральный куб данных должен быть действительным и неразреженным.

    Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

    Аргументы в виде пар имя-значение

    Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

    Пример: countEndmembersHFC(inputData,'NoiseWhiten',false)

    Вероятность ложного предупреждения в виде разделенной запятой пары, состоящей из 'PFA' и положительная скалярная величина в области значений (0, 1].

    Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

    Выполните отбеливание шума в виде разделенной запятой пары, состоящей из 'NoiseWhiten' и числовой или логический 1 TRUE) или 0 ложь).

    • true или 1 — Выполните отбеливание шума входных данных прежде, чем вычислить количество endmembers. Этот подход является методом NWHFC.

    • false или 0 — Не выполняйте отбеливание шума входных данных прежде, чем вычислить количество endmembers. Этот подход является методом Harsanyi–Farrand–Chang (HFC).

    Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | logical

    Выходные аргументы

    свернуть все

    Количество endmembers в гиперспектральных данных, возвращенных в виде положительного числа.

    Типы данных: double

    Ссылки

    [1] Чанг, C.-I., и К. Дю. “Оценка Количества Спектрально Отличных Источников Сигнала в Гиперспектральном Формировании изображений”. Транзакции IEEE на Геонауке и Дистанционном зондировании 42, № 3 (март 2004): 608–19. https://doi.org/10.1109/TGRS.2003.819189.

    Смотрите также

    | | | |

    Введенный в R2020a

    Документация Image Processing Toolbox

    Поддержка

    Для просмотра документации необходимо авторизоваться на сайте