Считайте гиперспектральные данные в рабочую область.

hcube = hypercube('indian_pines.dat');

Вычислите значение NDVI для каждого пикселя в кубе данных.

ndviImg = ndvi(hcube);

Оцените расширенное от контраста изображение RGB от исходного куба данных при помощи colorize функция.

rgbImg = colorize(hcube,'Method','RGB','ContrastStretching',true);

Отобразите оригинал и изображение NDVI.

fig = figure('Position',[0 0 1200 600]);
axes1 = axes('Parent',fig,'Position',[0 0.1 0.4 0.8]);
imshow(rgbImg,'Parent',axes1)
title('RGB Image of Data Cube')
axes2 = axes('Parent',fig,'Position',[0.45 0.1 0.4 0.8]);
imagesc(ndviImg,'Parent',axes2)
colorbar
title('NDVI Image')

Области растительности обычно имеют значения NDVI от 0,2 и 0.8. Значения NDVI, меньше чем или равные 0,2, указывают на отсутствие растительности. Выполните пороговую обработку изображения NDVI, чтобы сегментировать области растительности. Задайте пороговое значение.

threshold = 0.2;

Сгенерируйте бинарное изображение со значением интенсивности 1 для пикселей со счетом, больше, чем или равный заданному порогу. Все другие пиксели имеют значение 0. Области в бинарном изображении со значением 1 соответствуйте областям растительности в кубе данных со значениями NDVI, больше, чем порог.

bw = ndviImg > threshold;

Наложите бинарное изображение на RGB, отображают и отображают наложенное изображение.

overlayImg = imoverlay(rgbImg,bw,[0 1 0]);
figure
imagesc(overlayImg)
title('Vegetation Region Overlaid on RGB Image')

Вычислите растительный покров на основе общего количества пикселей в диапазоне и количестве пикселей со значением NDVI, больше, чем 0,2.

numVeg = find(bw == 1);
imgSize = size(hcube.DataCube,1)*size(hcube.DataCube,2);
vegetationCover = length(numVeg)/imgSize

vegetationCover = 0.5696