subtractDarkPixel

Вычтите темное пиксельное значение из гиперспектрального куба данных

    Описание

    пример

    correctedData = subtractDarkPixel(inputData) вычитает минимальное пиксельное значение каждой полосы от всех пикселей в той полосе гиперспектральных данных, inputData. Пиксели с минимальными значениями интенсивности являются темными пикселями гиперспектральных данных.

    correctedData = subtractDarkPixel(inputData,darkPixels) вычитает заданное значение, darkPixels, от всех пикселей в каждом гипердиапазоне. Можно задать одно значение, чтобы вычесть через все полосы куба данных или отдельного значения для каждой полосы. После вычитания функция устанавливает все отрицательные пиксельные значения на 0.

    correctedData = subtractDarkPixel(___,'BlockSize',blocksize) задает размер блока для обработки блока гиперспектрального куба данных при помощи аргумента пары "имя-значение" 'BlockSize'. Можно задать 'BlockSize' аргумент пары "имя-значение" в дополнение к входным параметрам в предыдущих синтаксисах.

    Функция делит входное изображение на отличные блоки, процессы каждый блок, и затем конкатенирует обработанный выход каждого блока, чтобы сформировать выходную матрицу. Гиперспектральные изображения являются наборами многомерных данных, которые могут быть слишком большими, чтобы поместиться в системную память в их полноте. Это может заставить систему исчерпывать память при выполнении subtractDarkPixel функция. Если вы сталкиваетесь с такой проблемой, выполняете обработку блока при помощи этого синтаксиса.

    Например, subtractDarkPixel(inputData,darkPixels,'BlockSize',[50 50]) делит входное изображение на неперекрывающиеся блоки размера 50 50 и затем выполняет темное пиксельное вычитание на каждом блоке.

    Примечание

    Выполнять обработку блока путем определения 'BlockSize' аргумент пары "имя-значение", у вас должны быть MATLAB R2021a или более поздний релиз.

    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('paviaU');

    Вычтите минимальное пиксельное значение каждой полосы от всех пикселей в той полосе.

    hcubeCorrected = subtractDarkPixel(hcube);

    Входные параметры

    свернуть все

    Введите гиперспектральные данные в виде одного из следующих.

    • hypercube объект. DataCube свойство hypercube объектно-ориентированная память гиперспектральный куб данных.

    • M-by-N-by-C числовой массив — M и N является количеством строк и столбцов в каждой полосе гиперспектральных данных. C является количеством диапазонов в гиперспектральном наборе данных.

    Значение, чтобы вычесть из пикселей каждой полосы в виде числового скаляра или C - элемент числовой вектор. C является количеством полос в гиперспектральном наборе данных. Если вы задаете скаляр, функция вычитает то значение из пикселей всех полос в наборе данных.

    Размер блоков данных в виде вектора с 2 элементами из положительных целых чисел. Элементы вектора соответствуют количеству строк и столбцов в каждом блоке, соответственно. Размер блоков данных должен быть меньше размера входного изображения. Деление гиперспектральных изображений в меньшие блоки включает вам большие наборы данных процесса, не исчерпывая память.

    • Если blocksize значение слишком мало, использование памяти функции уменьшает за счет увеличенного времени выполнения.

    • Если blocksize значение является большим или равным входному размеру изображения, время выполнения уменьшает за счет увеличенного использования памяти.

    Пример: 'BlockSize',[20 20] задает размер каждого блока данных как 20 20.

    Выходные аргументы

    свернуть все

    Откорректированные гиперспектральные данные, возвращенные как hypercube объект или M-by-N-by-C числовой массив с измерениями куба данных равняются тем из входных данных inputData.

    Ссылки

    [1] Souri, A. H. и М. А. Шэрифи. "Оценка Находящихся на сцене Эмпирических Подходов для Атмосферной Коррекции Гиперспектрального Формирования изображений". Доклад, сделанный на 33-й азиатской Конференции по Дистанционному зондированию, Паттайе, Таиланд, ноябрь 2012.

    Смотрите также

    | | | | | |

    Введенный в R2020b
    Для просмотра документации необходимо авторизоваться на сайте