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 SID-SAM 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) = sidsam(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 SID-SAM между ссылкой и протестируйте спектры.

score = zeros(1,numEndmembers-1);
for itr = 1:numEndmembers-1
    testSpectrum = testSpectra(:,itr);
    score(itr) = sidsam(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, максимальное подобие и минимальные тестовые спектры 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 и характеризует спектральное поведение двух различных материалов.

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(20,1000,['Max score: ' num2str(maxval)],'Color','r')
text(145,1800,['Min score: ' num2str(minval)],'Color','k')