Гиперспектральная визуализация измеряет пространственные и спектральные характеристики объекта путем визуализации его на различных длинах волн. Диапазон длин волн выходит за пределы видимого спектра и охватывает от ультрафиолетовых (УФ) до длинноволновых инфракрасных (LWIR) длин волн. Наиболее популярными являются видимый, ближний инфракрасный и средний инфракрасный диапазоны длин волн. Датчик гиперспектрального изображения получает несколько изображений с узкими и смежными длинами волн в пределах заданного спектрального диапазона. Каждое из этих изображений содержит более тонкую и подробную информацию.
Обработка гиперспектрального изображения включает в себя представление, анализ и интерпретацию информации, содержащейся в гиперспектральных изображениях.
Значения, измеренные датчиком гиперспектрального изображения, сохраняются в двоичном файле данных с использованием форматов кодирования с последовательным полосовым перемежением (BSQ), с полосовым перемежением по пикселям (BIP) или с полосовым перемежением по линиям (BIL). Файл данных связан с заголовочным файлом, который содержит вспомогательную информацию (метаданные), такую как параметры датчика, настройки обнаружения, пространственные размеры, спектральные длины волн и форматы кодирования, которые требуются для правильного представления значений в файле данных.
Для обработки гиперспектрального изображения значения, считанные из файла данных, упорядочены в трехмерный (3-D) массив формы M-by-N-by-C, где M и N - пространственные размеры полученных данных, C - спектральный размер, определяющий количество спектральных длин волн, используемых во время обнаружения. Таким образом, 3-D массив можно рассматривать как набор двумерных (2-D) монохроматических изображений, захваченных на различных длинах волн. Этот набор называется гиперспектральным кубом данных или кубом данных.
hypercube функция создает куб данных путем считывания файла данных и информации метаданных в связанном файле заголовка. hypercube функция создает hypercube объект и сохраняет куб данных, спектральные длины волн и метаданные в его свойствах. Вы можете использовать hypercube объект в качестве входных данных для всех других функций в библиотеке гиперспектральных изображений Toolbox™ обработки изображений.
Цветовое представление куба данных
Для визуализации и понимания отображаемого объекта полезно представить куб данных в виде 2-D изображения с помощью цветовых схем. Цветовое представление куба данных позволяет визуально проверять данные и поддерживает принятие решений. Вы можете использовать colorize функция для вычисления представления Red-Green-Blue (RGB), false-color и color-infrared (CIR) куба данных.
Цветовая схема RGB использует отклики красного, зеленого и синего спектральных диапазонов для генерации 2-D изображения гиперспектрального куба данных. Цветовая схема RGB приносит естественный вид, но приводит к значительной потере тонкой информации.
В цветовой схеме используется комбинация любого числа полос, отличных от видимой красной, зеленой и синей спектральных полос. Используйте ложное цветовое представление для визуализации спектральных откликов полос за пределами видимого спектра. Схема ложных цветов эффективно захватывает различную информацию во всех спектральных диапазонах гиперспектральных данных.
Цветовая схема CIR использует спектральные полосы в диапазоне NIR. CIR-представление гиперспектрального куба данных особенно полезно для отображения и анализа растительных участков куба данных.
Датчики гиперспектрального изображения обычно имеют высокое спектральное разрешение и низкое пространственное разрешение. Пространственные и спектральные характеристики полученных гиперспектральных данных характеризуются их пикселями. Каждый пиксель является вектором значений, которые задают интенсивности в местоположении (x, y) в z различных диапазонах. Вектор известен как пиксельный спектр, и он определяет спектральную сигнатуру пикселя, расположенного в (x, y). Спектры пикселей являются важными признаками в анализе гиперспектральных данных. Но эти пиксельные спектры искажаются из-за таких факторов, как шум датчика, атмосферные эффекты и низкое разрешение.
Вы можете использовать denoiseNGMeet функция для удаления шума из гиперспектральных данных с использованием немолированного глобального подхода.
Для улучшения пространственного разрешения гиперспектральных данных можно использовать методы слияния изображений. Комбинированный подход объединяет информацию из гиперспектральных данных низкого разрешения с мультиспектральными данными высокого разрешения или панхроматическим изображением одной и той же сцены. Этот подход также известен как заточка или паншарпенинг при анализе гиперспектрального изображения. Pansharpening конкретно относится к слиянию между гиперспектральными и панхроматическими данными. Вы можете использовать sharpencnmf функция для заточки гиперспектральных данных с использованием способа факторизации, не связанного с матрицей.
Чтобы компенсировать атмосферные эффекты, необходимо сначала откалибровать значения пикселей, которые являются цифровыми числами (DN). Необходимо предварительно обработать данные путем калибровки DN с помощью методов радиометрической и атмосферной коррекции. Этот процесс улучшает интерпретацию спектров пикселей и обеспечивает лучшие результаты при анализе нескольких наборов данных, как в случае проблемы классификации. Сведения о методах радиометрической калибровки и атмосферной коррекции см. в разделе Гиперспектральная коррекция данных.
Другой этап предварительной обработки, который важен во всех приложениях гиперспектральной визуализации, - уменьшение размерности. Большое количество полос в гиперспектральных данных увеличивает вычислительную сложность обработки куба данных. Смежный характер изображений полосы приводит к избыточной информации по полосам. Соседние полосы в гиперспектральном изображении имеют высокую корреляцию, что приводит к спектральной избыточности. Можно удалить избыточные полосы, декоррелируя изображения полос. Популярные подходы для уменьшения спектральной размерности куба данных включают в себя выбор полосы и ортогональные преобразования.
Подход выбора полосы использует ортогональные пространственные проекции для нахождения спектрально различных и наиболее информативных полос в кубе данных. Используйте selectBands и removeBands функции для нахождения наиболее информативных полос и удаления одной или более полос соответственно.
Ортогональные преобразования, такие как анализ главных компонентов (PCA) и максимальная доля шума (MNF), декоррелируют информацию о полосе и находят полосы главных компонентов.
PCA преобразует данные в более низкое размерное пространство и находит векторы главных компонентов с их направлениями вдоль максимальных дисперсий входных полос. Основные компоненты находятся в порядке убывания величины общей дисперсии.
MNF вычисляет основные компоненты, которые максимизируют отношение сигнал-шум, а не дисперсию. Преобразование MNF особенно эффективно при получении основных компонентов из изображений шумной полосы. Полосы главных компонентов представляют собой спектрально отличающиеся полосы с низкой межполосной корреляцией.
hyperpca и hypermnf функции уменьшают спектральную размерность куба данных, используя преобразования PCA и MNF соответственно. Для анализа гиперспектральных данных можно использовать пиксельные спектры, полученные из куба уменьшенных данных.
В гиперспектральном изображении значения интенсивности, записанные в каждом пикселе, задают спектральные характеристики области, к которой принадлежит пиксель. Область может быть однородной поверхностью или гетерогенной поверхностью. Пикселы, принадлежащие однородной поверхности, называются чистыми пикселями. Эти чистые пиксели составляют конечные элементы гиперспектральных данных.
Гетерогенные поверхности представляют собой комбинацию двух или более различных однородных поверхностей. Пиксели, принадлежащие неоднородным поверхностям, известны как смешанные пиксели. Спектральная сигнатура смешанного пикселя представляет собой комбинацию двух или более сигнатур конечных элементов. Эта пространственная неоднородность обусловлена главным образом низким пространственным разрешением гиперспектрального датчика.
Спектральное размешивание - это процесс разложения спектральных сигнатур смешанных пикселей на составляющие их конечные элементы. Процесс спектрального размешивания включает в себя два этапа:
Извлечение конечных элементов - спектры конечных элементов являются характерными чертами гиперспектральных данных и могут использоваться для эффективного спектрального разделения, сегментации и классификации гиперспектральных изображений. Подходы на основе выпуклой геометрии, такие как индекс чистоты пикселей (PPI), быстрый итеративный индекс чистоты пикселей (FIPPI) и N-FINDR (N-FINDR), являются некоторыми из эффективных подходов для извлечения конечных элементов.
Используйте ppi функция для оценки конечных элементов с использованием подхода PPI. Подход PPI проецирует спектры пикселей в ортогональное пространство и идентифицирует крайние пиксели в спроецированном пространстве как конечные элементы. Это неитеративный подход, и результаты зависят от случайных единичных векторов, генерируемых для ортогональной проекции. Чтобы улучшить результаты, необходимо увеличить случайные единичные векторы для проекции, которые могут быть дорогостоящими в вычислительном отношении.
Используйте fippi функция для оценки конечных элементов с использованием подхода FIPPI. Подход FIPPI - итеративный подход, который использует процесс автоматического формирования цели для оценки начального набора единичных векторов для ортогональной проекции. Алгоритм сходится быстрее, чем подход PPI, и идентифицирует конечные элементы, отличающиеся друг от друга.
Используйте nfindr для оценки конечных элементов с помощью метода N-FINDR. N-FINDR - итеративный подход, который конструирует симплекс, используя пиксельные спектры. Подход предполагает, что объем симплекса, формируемого конечными элементами, больше объема, определяемого любой другой комбинацией пикселей. Набор сигнатур пикселей, для которых объем симплекса высок, являются конечными элементами.
Оценка карты изобилия - учитывая сигнатуры конечных элементов, полезно оценить дробное количество каждого конечного элемента, присутствующего в каждом пикселе. Можно создать карты изобилия для каждого конечного элемента, которые представляют распределение спектров конечных элементов на изображении. Можно пометить пиксель как принадлежащий спектрам конечных элементов путем сравнения всех значений карты плотности, полученных для этого пикселя.
Используйте estimateAbundanceLS функция для оценки карт плотности для каждого спектра конечных элементов.
Интерпретировать пиксельные спектры путем выполнения спектрального согласования. Спектральное согласование идентифицирует класс материала конечного элемента путем сравнения его спектров с одним или более эталонными спектрами. Эталонные данные состоят из чистых спектральных сигнатур материалов, которые доступны в виде спектральных библиотек.
Используйте readEcostressSig функция для считывания файлов эталонных спектров из библиотеки спектров ECOSTRESS. Затем можно вычислить сходство между файлами в спектрах библиотеки ECOSTRESS и спектрами конечных элементов, используя spectralMatch функция.
Геометрические характеристики и значения распределения вероятности спектров пикселей являются важными признаками для спектрального согласования. Эффективность согласования можно повысить, объединив геометрические и вероятностные характеристики. Такие комбинированные меры обладают более высокими возможностями различения, чем индивидуальные подходы, и более подходят для различения спектрально сходных целей (внутривидовых). В этой таблице перечислены функции, доступные для вычисления оценки спектрального согласования.
| Метод | Описание |
sam | Преобразователь спектральных углов (SAM) соответствует двум спектрам на основе их геометрических характеристик. Измерение SAM вычисляет угол между двумя спектральными сигнатурами. Меньший угол представляет наилучшее совпадение между двумя спектрами. Эта мера нечувствительна к изменениям освещенности. |
sid | Спектральная информационная дивергенция (SID) соответствует двум спектрам на основе их вероятностных распределений. Этот способ эффективен при идентификации спектров смешанных пикселей. Низкое значение SID подразумевает более высокое сходство между двумя спектрами. |
sidsam | Комбинация SID и SAM. Подход SID-SAM обладает лучшей способностью к дискриминации по сравнению с SID и SAM по отдельности. Минимальная оценка подразумевает более высокое сходство между двумя спектрами. |
jmsam | Комбинация расстояния Джеффрис-Матусита (JM) и SAM. Значения малых расстояний предполагают более высокое сходство между двумя спектрами. Этот способ особенно эффективен при различении спектрально близких целей. |
ns3 | Нормализованная оценка спектрального сходства (NS3), которая объединяет евклидово расстояние и SAM. Значения малых расстояний предполагают более высокое сходство между двумя спектрами. Этот способ обладает высокой способностью к различению, но требует больших эталонных данных для высокой точности. |
Приложения для обработки гиперспектральных изображений включают классификацию, обнаружение цели, обнаружение аномалий и анализ материала.
Сегментируйте и классифицируйте каждый пиксель в гиперспектральном изображении посредством размешивания и спектрального согласования. Примеры классификации см. в разделах Анализ гиперспектральных изображений с использованием классификации максимального количества и классификация гиперспектральных изображений с использованием сигнатур библиотеки и SAM.
Обнаружение цели можно выполнить путем сопоставления известной спектральной сигнатуры целевого материала со спектрами пикселей в гиперспектральных данных. Пример см. в разделе Обнаружение цели с помощью сопоставления спектральных сигнатур.
Можно также использовать гиперспектральную обработку изображений для обнаружения аномалий и анализа материалов, например анализа растительности.
Используйте anomalyRX функция обнаружения аномалий в гиперспектральном изображении.
Используйте spectralIndices функция для анализа спектральных характеристик различных материалов, присутствующих в гиперспектральных данных.
anomalyRX | estimateAbundanceLS | hypercube | ndvi | ppi | spectralMatch