Отличите различные области в гиперспектральном кубе данных путем вычисления спектрального углового расстояния между каждым пикселем и endmember спектрами куба данных.

Считайте гиперспектральные данные в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Идентифицируйте количество спектрально отличных полос в кубе данных при помощи countEndmembersHFC функция.

numEndmembers = countEndmembersHFC(hcube)

numEndmembers = 14

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

endmembers = nfindr(hcube,numEndmembers);

Постройте спектральные подписи endmembers. Результат показывает 14 спектрально отличных областей в кубе данных.

figure
plot(endmembers)
legend('Location','Bestoutside')

Вычислите спектральное угловое расстояние между каждым endmember и спектрами каждого пикселя в кубе данных.

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

Вычислите минимальное значение баллов из баллов расстояния, полученных для каждого пикселя спектры относительно всего endmembers. Индекс каждого минимального счета идентифицирует endmember спектры, которым пиксель спектры 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.

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

Оцените изображение RGB гиперспектрального куба данных при помощи colorize функция. Отобразите и изображение RGB и матрицу совпадающих значений индекса.

rgbImg = colorize(hcube,'Method','RGB');
figure('Position',[0 0 1100 500])
subplot('Position',[0 0.15 0.4 0.8])
imagesc(rgbImg)
axis off
title('RGB Image of Hyperspectral Data')
subplot('Position',[0.45 0.15 0.4 0.8])
imagesc(matchingIndx)
axis off
title('Indices of Matching Endmembers')
colorbar

Считайте гиперспектральные данные в рабочую область.

hcube = hypercube('indian_pines.dat');

Найдите десять endmembers гиперспектральных данных.

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

Рассмотрите первый endmember как ссылочные спектры и остальную часть endmembers как тестовые спектры. Вычислите счет SAM между ссылкой и протестируйте спектры.

score = zeros(1,numEndmembers-1);
refSpectra = endmembers(:,1);
for i = 2:numEndmembers
    testSpectra = endmembers(:,i);
    score(i-1) = sam(testSpectra,refSpectra);
end

Найдите тестовые спектры, которые показывают максимальное подобие (минимальное расстояние) к ссылочным спектрам. Затем найдите тестовые спектры, которые показывают минимальное подобие (максимальное расстояние) к ссылочным спектрам.

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

Постройте ссылочные спектры, максимальное подобие и минимальные тестовые спектры подобия. Тестовые спектры с минимальным значением баллов указывают на самое высокое подобие ссылке endmember. С другой стороны, тестовые спектры с максимальным значением баллов имеет самую высокую спектральную изменчивость и характеризует спектральное поведение двух различных материалов.

figure
plot(refSpectra)
hold on
plot(maxMatch,'k')
plot(minMatch,'r')
xlabel('Band Number')
ylabel('Data Values')
legend('Reference spectra','Minimum match test spectra','Maximum match test spectra',...
       'Location','Southoutside')
title('Similarity Between Spectra')
annotation('textarrow',[0.25 0.25],[0.4 0.5],'String',['Max score: ' num2str(maxval)])
annotation('textarrow',[0.6 0.55],[0.6 0.45],'String',['Min score: ' num2str(minval)])