Различают различные области в гиперспектральном кубе данных, вычисляя спектральную расхождение информации (SID) между каждым спектром пикселей и спектром конечных элементов куба данных.

Считывание гиперспектральных данных в рабочую область.

 hcube = hypercube('jasperRidge2_R198.hdr');

Укажите количество спектрально различающихся полос для идентификации в кубе данных.

numEndmembers = 7;

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

endmembers = nfindr(hcube,numEndmembers);

Постройте график спектральных сигнатур конечных элементов.

figure  
plot(endmembers)   
xlabel('Band Number')
ylabel('Data Value')
legend('Location','Bestoutside')

Вычисляют спектральную расхождение информации 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) = sid(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 0.2 0.4 0.7])
imagesc(rgbImg)
axis off
colormap default
title('RGB Image of Hyperspectral Data')
subplot('Position',[0.5 0.2 0.4 0.7])
imagesc(matchingIndx);
axis off
title('Indices of Matching Endmembers')
colorbar

Считывание гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Найдите 10 конечных элементов гиперспектрального куба данных с помощью метода N-FINDR.

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

Первый конечный элемент рассматривается как опорный спектр, а остальные конечные элементы - как тестовый спектр. Вычислите оценку SID между опорным и тестовым спектрами.

score = zeros(1,numEndmembers-1);
refSpectrum = endmembers(:,1);
for i = 2:numEndmembers
    testSpectrum = endmembers(:,i);
    score(i-1) = sid(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 тестового спектра подобия и минимального тестового спектра подобия. Тестовый спектр с минимальной оценкой имеет наибольшее сходство с эталонным конечным элементом. С другой стороны, тестируемый спектр с максимальной оценкой имеет наибольшую спектральную изменчивость и характеризует спектральное поведение двух различных материалов.

figure
plot(refSpectrum)
hold on
plot(maxMatch,'k')
plot(minMatch,'r')
legend('Reference spectrum','Minimum match test spectrum','Maximum match test spectrum',...
       'Location','Southoutside');
title('Similarity Between Spectra')
annotation('textarrow',[0.3 0.3],[0.4 0.52],'String',['Min score: ' num2str(minval)])
annotation('textarrow',[0.6 0.6],[0.4 0.55],'String',['Max score: ' num2str(maxval)])
xlabel('Band Number')
ylabel('Data Values')