Считывание гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Оценка количества спектрально различающихся конечных элементов в кубе данных с помощью countEndmembersHFC функция.

numEndmembers = countEndmembersHFC(hcube,'PFA',10^-7);

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

endmembers = nfindr(hcube,numEndmembers);

Постройте график спектральных сигнатур выделенных конечных элементов.

figure
plot(endmembers)
xlabel('Bands')
ylabel('Reflectance')
legend('Location','Bestoutside')

Вычислите расстояние SID-SAM 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) = sidsam(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.

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

Оценка RGB-изображения входных данных с помощью colorize функция.

rgbImg = colorize(hcube,'Method','rgb','ContrastStretching',true);

Отображение изображения RGB и матрицы соответствующих значений индекса.

figure('Position',[0 0 800 400])
subplot('Position',[0 0.1 0.4 0.8])
imagesc(rgbImg)
axis off
title('RGB Image of Hyperspectral Data')
subplot('Position',[0.45 0.1 0.45 0.8])
imagesc(matchingIdx)
axis off
title('Indices of Matching Endmembers')
colorbar

Считывание гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Найдите первые 10 конечных элементов гиперспектральных данных.

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

Первый конечный элемент рассматривается как опорный спектр, а остальные конечные элементы - как тестовый спектр.

refSpectrum = endmembers(:,1);
testSpectra = endmembers(:,2:end);

Постройте график опорного спектра и других спектров конечных элементов.

figure
plot(refSpectrum,'LineWidth',2);
hold on
plot(testSpectra);
hold off
label = cell(1,numEndmembers-1);
label{1} = 'Reference';
for itr = 1:numEndmembers-1
    label{itr+1} = ['Endmember-' num2str(itr)];
end
xlabel('Bands')
ylabel('Reflectances')
legend(label,'Location','Bestoutside');

Вычислите оценку SID-SAM между опорным и тестовым спектрами.

score = zeros(1,numEndmembers-1);
for itr = 1:numEndmembers-1
    testSpectrum = testSpectra(:,itr);
    score(itr) = sidsam(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 = testSpectra(:,minidx);
[maxval,maxidx] = max(score);
minMatch = testSpectra(:,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,'LineWidth',2)
hold on
plot(maxMatch,'k')
plot(minMatch,'r')
xlabel('Band Number')
ylabel('Data Values')
legend('Reference spectrum','Maximum match test spectrum','Minimum match test spectrum',...
       'Location','Southoutside')
title('Similarity Between Spectra')
text(20,1000,['Max score: ' num2str(maxval)],'Color','r')
text(145,1800,['Min score: ' num2str(minval)],'Color','k')