Отличите различные области в гиперспектральном кубе данных путем вычисления спектрального информационного расхождения (SID) между каждым пикселем спектры и endmember спектрами куба данных.

Считайте гиперспектральные данные в в рабочую область.

 hcube = hypercube('jasperRidge2_R198.hdr');

Задайте количество спектрально отличных полос, чтобы идентифицировать в кубе данных.

numEndmembers = 7;

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

endmembers = nfindr(hcube,numEndmembers);

Постройте спектральные подписи endmembers.

figure  
plot(endmembers)   
xlabel('Band Number')
ylabel('Data Value')
legend('Location','Bestoutside')

Вычислите спектральное информационное расхождение 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) = sid(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 0.2 0.4 0.7])
imagesc(rgbImg)
axis off
colormap default
title('RGB Image of Hyperspectral Data')
subplot('Position',[0.5 0.2 0.4 0.7])
imagesc(matchingIndx);
axis off
title('Indices of Matching Endmembers')
colorbar

Считайте гиперспектральные данные в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Найдите 10 endmembers гиперспектрального куба данных при помощи метода N-FINDR.

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

Рассмотрите первый endmember как ссылочный спектр и остальную часть endmembers как тестовые спектры. Вычислите счет SID между ссылкой и протестируйте спектры.

score = zeros(1,numEndmembers-1);
refSpectrum = endmembers(:,1);
testSpectra = endmembers(:,2:end);
for i = 1:numEndmembers-1
    testSpectrum = testSpectra(:,i);
    score(i) = sid(testSpectrum,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, максимальный тестовый спектр подобия и минимальный тестовый спектр подобия. Тестовый спектр с минимальным счетом имеет самое высокое подобие ссылке endmember. С другой стороны, тестовый спектр с максимальным счетом имеет самую высокую спектральную изменчивость и характеризует спектральное поведение двух различных материалов.

figure
plot(refSpectrum)
hold on
plot(maxMatch,'k')
plot(minMatch,'r')
legend('Reference spectrum','Maximum match test spectrum','Minimum match test spectrum',...
       'Location','Southoutside');
title('Similarity Between Spectra')
annotation('textarrow',[0.5 0.5],[0.6 0.65],'String',['Min score: ' num2str(minval)])
annotation('textarrow',[0.7 0.7],[0.4 0.45],'String',['Max score: ' num2str(maxval)],'Color','r')
xlabel('Band Number')
ylabel('Data Values')