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 = 16

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 спектром 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 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.

[~,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 ссылочный спектр и остальную часть endmembers как тестовый спектр. Вычислите счет SAM между ссылкой и протестируйте спектр.

score = zeros(1,numEndmembers-1);
refSpectrum = endmembers(:,1);
for i = 2:numEndmembers
    testSpectrum = endmembers(:,i);
    score(i-1) = sam(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 = endmembers(:,minidx);
[maxval,maxidx] = max(score);
minMatch = endmembers(:,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 и характеризует спектральное поведение двух различных материалов.

figure
plot(refSpectrum)
hold on
plot(maxMatch,'k')
plot(minMatch,'r')
xlabel('Band Number')
ylabel('Data Values')
legend('Reference spectrum','Minimum match test spectrum','Maximum match test spectrum',...
       '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)])