ns3

Измерьте нормированный спектральный счет подобия

    Описание

    пример

    score = ns3(inputData,refSpectrum) измеряет спектральное подобие между спектром каждого пикселя в гиперспектральных данных inputData и заданный ссылочный спектр refSpectrum при помощи нормированного спектрального счета подобия (NS3) метод. Используйте этот синтаксис, чтобы идентифицировать различные области или материалы в гиперспектральном кубе данных. Для получения информации о методе NS3 смотрите раздел More About.

    пример

    score = ns3(testSpectrum,refSpectrum) измеряет спектральное подобие между заданным тестовым спектром testSpectrum и ссылочный спектр refSpectrum при помощи метода NS3. Используйте этот синтаксис, чтобы сравнить спектральную подпись неизвестного материала против ссылочного спектра или вычислить спектральную изменчивость между двумя спектральными подписями.

    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

    Считайте гиперспектральные данные в рабочую область.

    hcube = hypercube('jasperRidge2_R198.hdr');

    Оцените количество спектрально отличного endmembers в кубе данных при помощи countEndmembersHFC функция.

    numEndmembers = countEndmembersHFC(hcube,'PFA',10^-7);

    Извлеките endmember спектральные подписи из куба данных при помощи алгоритма NFINDR.

    endmembers = nfindr(hcube,numEndmembers);

    Постройте спектральные подписи извлеченного endmembers.

    figure
    plot(endmembers)
    xlabel('Bands')
    ylabel('Reflectance')
    legend('Location','Bestoutside')

    Вычислите расстояние NS3 между каждым endmember и спектром каждого пикселя в кубе данных.

    score = zeros(size(hcube.DataCube,1),size(hcube.DataCube,2),numEndmembers);
    for i = 1:numEndmembers
        score(:,:,i) = ns3(hcube,endmembers(:,i));
    end

    Вычислите минимальное значение баллов из баллов расстояния, полученных для каждого пиксельного спектра относительно всего endmembers. Индекс каждого минимального счета идентифицирует endmember спектр, которому пиксельный спектр показывает максимальное подобие. Значение индекса, n, в пространственном местоположении (x, y) в матрице счета указывает, что спектральная подпись пикселя в пространственном местоположении (x, y) в кубе данных лучше всего совпадает со спектральной подписью энного endmember.

    [~,matchingIdx] = min(score,[],3);

    Оцените изображение RGB входных данных при помощи colorize функция.

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

    Отобразите и изображение RGB и матрицу совпадающих значений индекса.

    figure('Position',[0 0 800 400])
    subplot('Position',[0 0.1 0.4 0.8])
    imagesc(rgbImg)
    axis off
    title('RGB Image of Hyperspectral Data')
    subplot('Position',[0.45 0.1 0.45 0.8])
    imagesc(matchingIdx)
    axis off
    title('Indices of Matching Endmembers')
    colorbar

    Считайте гиперспектральные данные в рабочую область.

    hcube = hypercube('jasperRidge2_R198.hdr');

    Найдите первые 10 endmembers гиперспектральных данных.

    numEndmembers = 10;
    endmembers = nfindr(hcube,numEndmembers);

    Рассмотрите первый endmember как ссылочный спектр и остальную часть endmembers как тестовый спектр.

    refSpectrum = endmembers(:,1);
    testSpectra = endmembers(:,2:end);

    Постройте ссылочный спектр и другие endmember спектры.

    figure
    plot(refSpectrum,'LineWidth',2)
    hold on
    plot(testSpectra)
    hold off
    label = cell(1,numEndmembers-1);
    label{1} = 'Reference';
    for itr = 1:numEndmembers-1
        label{itr+1} = ['endmember-' num2str(itr)];
    end
    xlabel('Bands')
    ylabel('Reflectances')
    legend(label,'Location','Bestoutside')

    Вычислите счет NS3 между ссылкой и протестируйте спектры.

    score = zeros(1,numEndmembers-1);
    for itr = 1:numEndmembers-1
        score(itr) = ns3(testSpectra(:,itr),refSpectrum);
    end

    Найдите тестовый спектр, которые показывают максимальное подобие (минимальное расстояние) к ссылочному спектру. Затем найдите тестовый спектр, которые показывают минимальное подобие (максимальное расстояние) к ссылочному спектру.

    [minval,minidx] = min(score);
    maxMatch = testSpectra(:,minidx);
    [maxval,maxidx] = max(score);
    minMatch = testSpectra(:,maxidx);

    Постройте ссылочный спектр, максимальное подобие и минимальный тестовый спектр подобия. Тестовый спектр с минимальным значением баллов указывает на самое высокое подобие ссылке endmember. С другой стороны, тестовый спектр с максимальным значением баллов имеет самую высокую спектральную изменчивость.

    figure
    plot(refSpectrum,'LineWidth',2)
    hold on
    plot(maxMatch,'k')
    plot(minMatch,'r')
    xlabel('Band Number')
    ylabel('Data Values')
    legend('Reference spectrum','Maximum match test spectrum','Minimum match test spectrum',...
           'Location','Southoutside')
    title('Similarity Between Spectra')
    text(120,1900,['Min score: ' num2str(minval)],'Color','k')
    text(40,500,['Max score: ' num2str(maxval)],'Color','r')

    Входные параметры

    свернуть все

    Введите гиперспектральные данные в виде hypercube возразите или 3-D числовой массив, содержащий куб данных. Если входом является hypercube объект, данные считаны из DataCube свойство объекта.

    Протестируйте спектр в виде C - вектор элемента. Тестовый спектр является спектральной подписью неизвестной области или материала.

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

    Ссылочный спектр в виде C - вектор элемента. Ссылочный спектр является спектральной подписью известной области или материала. Функция совпадает с тестовым спектром против этих значений.

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

    Выходные аргументы

    свернуть все

    Счет NS3, возвращенный как скаляр или матрица. Выход является a

    • скаляр — Если вы задаете testSpectrum входной параметр. Функция совпадает с тестом спектральная подпись против ссылочной спектральной подписи и возвращает скалярное значение. И тест и ссылочные спектры должны быть векторами из той же длины.

    • матрица — Если вы задаете inputData входной параметр. Функция совпадает со спектральной подписью каждого пикселя в кубе данных против ссылочной спектральной подписи и возвращает матрицу. Если куб данных имеет размер, M-by-N-by-C и ссылочный спектр являются вектором из длины C, выходная матрица имеет размер M-by-N.

    Меньший счет NS3 указывает на близкое соответствие между тестовой подписью и ссылочной подписью.

    Типы данных: single | double

    Больше о

    свернуть все

    Нормированный спектральный счет подобия (NS3)

    Метод NS3 вычисляет спектральное подобие на основе Евклидовых и расстояний SAM между двумя спектрами. Позвольте r и t быть ссылкой и тестовыми спектрами соответственно. Вычислите Евклидово расстояние между двумя спектрами как:

    AEuclidean=1Ci=1C(tiri)2

    Затем вычислите значение SAM α

    α=cos1(i=1Ctirii=1Cti2i=1Cri2).

    Наконец, вычислите счет NS3 как:

    NS3=AEuclidean2+(1cos(α))2

    Ссылки

    [1] Nidamanuri, Рама Рао и Бернд Цбелл. “Нормированный Спектральный Счет Подобия (NS3) как Эффективный Спектральный Метод Поиска Библиотеки для Гиперспектральной Классификации Изображений”. Журнал IEEE Выбранных Тем в Прикладных наблюдениях Земли и Дистанционном зондировании 4, № 1 (март 2011): 226–40. https://doi.org/10.1109/JSTARS.2010.2086435.

    Смотрите также

    | | | | | |

    Введенный в R2020b
    Для просмотра документации необходимо авторизоваться на сайте