Определите различные области в гиперспектральном изображении, выполнив классификацию максимальной плотности (MAC). Карта изобилия характеризует распределение конечного элемента по гиперспектральному изображению. Каждый пиксель в изображении представляет собой либо чистый пиксель, либо смешанный пиксель. Набор значений плотности, полученных для каждого пикселя, представляет процент каждого конечного элемента, присутствующего в этом пикселе. В этом примере можно классифицировать пикселы в гиперспектральном изображении, найдя максимальное значение плотности для каждого пикселя и назначив его связанному классу конечных элементов.

Классифицируйте пикселы в гиперспектральном изображении с помощью алгоритма классификации SAM. Этот алгоритм классифицирует каждый пиксель в тестовых данных путем вычисления спектральной оценки соответствия между спектром пикселя и чистыми спектральными сигнатурами, считанными из спектральной библиотеки ECOSTRESS. В этом примере в качестве тестовых данных используется образец данных из набора данных Jasper Ridge. Данные испытаний содержат четыре скрытых конечных элемента, состоящих из дорог, почвы, воды и деревьев. В этом примере будут выполнены следующие действия:

Классифицировать гиперспектральные изображения с помощью пользовательской спектральной свёрточной нейронной сети (CSCNN) для классификации.

Определите классы материалов конечных элементов, присутствующих в гиперспектральном изображении. Конечные элементы представляют собой чистую спектральную сигнатуру, которая обозначает характеристики отражения пикселей, принадлежащих одному поверхностному материалу. Существующие алгоритмы извлечения или идентификации конечных элементов извлекают или идентифицируют чистые пиксели в гиперспектральном изображении. Однако эти методы не идентифицируют имя материала или класс, которому принадлежит спектр конечных элементов. В этом примере можно извлечь сигнатуры конечных элементов, а затем классифицировать или идентифицировать класс материала конечных элементов в гиперспектральном изображении с помощью спектрального сопоставления.

Обнаружение известной цели в гиперспектральном изображении с помощью метода спектрального согласования. Чистая спектральная сигнатура известного материала мишени используется для обнаружения и определения местоположения мишени в гиперспектральном изображении. В этом примере для обнаружения искусственных кровельных материалов (известных мишеней) в гиперспектральном изображении будет использоваться метод спектрального сопоставления (SAM). Чистая спектральная сигнатура кровельного материала считывается из спектральной библиотеки ECOSTRESS и используется в качестве эталонного спектра для спектрального согласования. Спектральные сигнатуры всех пикселей в кубе данных сравниваются с опорным спектром, и наилучший совпадающий спектр пикселей классифицируется как принадлежащий целевому материалу.

Определение типов участков растительности на гиперспектральном изображении с помощью интерактивного порогового значения нормализованной карты индекса различий растительности (NDVI). Карта NDVI гиперспектрального набора данных указывает плотность растительности в различных областях гиперспектральных данных. Значение NDVI вычисляется с использованием изображений ближней инфракрасной области (NIR) и видимой красной (R) спектральной полосы из гиперспектрального куба данных.