Различают различные области в гиперспектральном кубе данных путем вычисления спектрального углового расстояния между каждым пикселем и спектрами конечных элементов куба данных.

Считывание гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Определение количества спектрально различающихся полос в кубе данных с помощью countEndmembersHFC функция.

numEndmembers = countEndmembersHFC(hcube)

numEndmembers = 16

Извлеките спектральные сигнатуры конечных элементов из куба данных с помощью алгоритма NFINDR.

endmembers = nfindr(hcube,numEndmembers);

Постройте график спектральных сигнатур конечных элементов. Результат показывает 14 спектрально различных областей в кубе данных.

figure
plot(endmembers)
legend('Location','Bestoutside')

Вычислите спектральное угловое расстояние между каждым конечным элементом 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 оценки из оценок расстояния, полученных для каждого спектра пикселей, относительно всех конечных элементов. Индекс каждой минимальной оценки идентифицирует спектр конечного элемента, которому спектр пикселя демонстрирует максимальное сходство. Значение индекса n в пространственном местоположении (x, y) в матрице оценки указывает, что спектральная сигнатура пикселя в пространственном местоположении (x, y) в кубе данных лучше всего соответствует спектральной сигнатуре n-го конечного элемента.

[~,matchingIndx] = min(score,[],3);

Оцените изображение RGB гиперспектрального куба данных с помощью colorize функция. Отображение изображения RGB и матрицы соответствующих 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

Считывание гиперспектральных данных в рабочую область.

hcube = hypercube('indian_pines.dat');

Найдите десять конечных элементов гиперспектральных данных.

numEndmembers = 10;
endmembers = nfindr(hcube,numEndmembers);

Первый конечный элемент рассматривается как опорный спектр, а остальные конечные элементы - как тестовый спектр. Вычислите оценку SAM между эталонным и тестовым спектром.

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, который демонстрирует максимальное сходство (минимальное расстояние) с эталонным спектром. Затем найдите тестовый спектр, который демонстрирует минимальное сходство (максимальное расстояние) с эталонным спектром.

[minval,minidx] = min(score);
maxMatch = endmembers(:,minidx);
[maxval,maxidx] = max(score);
minMatch = endmembers(:,maxidx);

Постройте график опорного спектра, максимального подобия и минимального спектра проверки подобия. Тестовый спектр с минимальным значением оценки указывает на наибольшее сходство с эталонным конечным элементом. С другой стороны, тестируемый спектр с максимальным значением оценки имеет наибольшую 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)])