Чтение справочных данных из спектральной библиотеки ECOSTRESS

Добавьте полный путь к файлу, содержащему файлы библиотеки ECOSTRESS, и укажите имена файлов, которые будут считываться из библиотеки.

fileroot = matlabshared.supportpkg.getSupportPackageRoot();
addpath(fullfile(fileroot,'toolbox','images','supportpackages','hyperspectral','hyperdata','ECOSTRESSSpectraFiles'));
filenames = ["water.seawater.none.liquid.tir.seafoam.jhu.becknic.spectrum.txt",...
             "water.tapwater.none.liquid.all.tapwater.jhu.becknic.spectrum.txt",...
             "water.ice.none.solid.all.ice_dat_.jhu.becknic.spectrum.txt",...
             "vegetation.tree.eucalyptus.maculata.vswir.jpl087.jpl.asd.spectrum.txt",...
             "soil.utisol.hapludult.none.all.87p707.jhu.becknic.spectrum.txt",...
             "soil.mollisol.cryoboroll.none.all.85p4663.jhu.becknic.spectrum.txt",...
             "manmade.road.tar.solid.all.0099uuutar.jhu.becknic.spectrum.txt",...   
             "manmade.concrete.pavingconcrete.solid.all.0092uuu_cnc.jhu.becknic.spectrum.txt"];
lib = readEcostressSig(filenames);

Отобразите lib данные и осмотр их значений. Данные являются struct переменной, задающей класс, подкласс, длину волны и информацию, связанную с отражением.

lib

lib=1×8 struct array with fields:
    Name
    Type
    Class
    SubClass
    ParticleSize
    Genus
    Species
    SampleNo
    Owner
    WavelengthRange
    Origin
    CollectionDate
    Description
    Measurement
    FirstColumn
    SecondColumn
    WavelengthUnit
    DataUnit
    FirstXValue
    LastXValue
    NumberOfXValues
    AdditionalInformation
    Wavelength
    Reflectance
      ⋮

Постройте график спектральных сигнатур, считанных из спектральной библиотеки ECOSTRESS.

figure
hold on
for idx = 1:numel(lib)
    plot(lib(idx).Wavelength,lib(idx).Reflectance,'LineWidth',2);
end
axis tight
box on
xlabel('Wavelength (\mum)');
ylabel('Reflectance (%)');
classNames = {lib.Class};
legend(classNames,'Location','northeast')
title('Reference Spectra from ECOSTRESS Library');
hold off

Чтение тестовых данных

Считайте тестовые данные из набора данных Jasper Ridge при помощи hypercube функция. Функция возвращает hypercube объект, который хранит кубик данных и информацию о метаданных, считанную из тестовых данных. Тестовые данные имеют 198 спектральные полосы, и их длины волн варьируются от 399,4 нм до 2457 нм. Спектральное разрешение до 9,9 нм и пространственное разрешение каждой полосы изображения 100 на 100. Тестовые данные содержат четыре латентных конечных элемента, включая дорогу, почву, воду и деревья.

hcube = hypercube('jasperRidge2_R198.hdr');

Извлечение спектров конечных членов

Чтобы вычислить общее количество спектрально отличных конечных элементов, присутствующих в тестовых данных, используйте countEndmembersHFC функция. Эта функция находит количество конечных элементов с помощью метода Harsanyi-Farrand-Chang (HFC). Установите вероятность ложного предупреждения (PFA) на низкое значение в порядок, чтобы избежать ложных обнаружений.

numEndmembers = countEndmembersHFC(hcube,'PFA',10^-27);

Извлеките конечные элементы тестовых данных с помощью метода N-FINDR.

endMembers = nfindr(hcube,numEndmembers);

Считайте значения длины волны из hypercube hcube объекта. Постройте график извлеченных подписей конечных элементов. Тестовые данные содержат 4 материала конечных элементов, и имена классов этих материалов могут быть идентифицированы посредством спектрального согласования.

figure
plot(hcube.Wavelength,endMembers,'LineWidth',2)
axis tight
xlabel('Wavelength (nm)')
ylabel('Data Values')
title('Endmembers Extracted using N-FINDR')
num = 1:numEndmembers;
legendName = strcat('Endmember',{' '},num2str(num'));
legend(legendName)

Идентифицируйте материал конечного элемента

Чтобы идентифицировать имя материала конечного элемента, используйте spectralMatch функция. Функция вычисляет спектральное сходство между файлами библиотеки и спектром конечного элемента, который будет классифицирован. Выберите метод спектрального информационного расхождения (SID) для вычисления совпадающего счета. Как правило, низкое значение счета SID означает лучшее соответствие между тестом и ссылкой спектров. Затем тестовый спектр классифицируется как относящийся к классу наилучшего совпадающего эталонного спектра.

Для примера, чтобы идентифицировать класс третьего и четвертого материала концевого элемента, найдите спектральное сходство между сигнатурами библиотеки и соответствующим спектром конечного элемента. Индекс минимального значения SID задает имя класса в спектральной библиотеке. Третий конечный спектр идентифицируется как Морская Вода, а четвертый конечный спектр идентифицируется как Древо.

wavelength = hcube.Wavelength;
detection = cell(1,1);
cnt = 1;
queryEndmember = [3 4];
for num = 1:numel(queryEndmember)
    spectra = endMembers(:,queryEndmember(num));
    scoreValues = spectralMatch(lib,spectra,wavelength,'Method','sid');
    [~, matchIdx] = min(scoreValues);
    detection{cnt} = lib(matchIdx).Class;
    disp(strcat('Endmember spectrum ',{' '},num2str(queryEndmember(num)),' is identified as ',{' '},detection{cnt}))
    cnt=cnt+1;
end

Endmember spectrum 3 is identified as Sea Water
Endmember spectrum 4 is identified as Tree

Сегментируйте области конечных элементов в тестовых данных

Чтобы визуально просмотреть результаты идентификации, локализуйте и сегментируйте области изображений, характерные для материалов конечных элементов в тестовых данных. Используйте sid функция для вычисления пиксельного спектрального подобия между пиксельным спектром и извлеченным спектром концевых элементов. Затем выполните пороговое определение, чтобы сегментировать желаемые области концевых элементов в тестовых данных и сгенерировать сегментированное изображение. Выберите значение порога 15, чтобы выбрать наиболее подходящие пиксели.

Для визуализации сгенерируйте версию тестовых данных RGB при помощи colorize и затем наложите сегментированное изображение на тестовое изображение.

threshold = 15;
rgbImg = colorize(hcube,'method','rgb','ContrastStretching',true);
overlayImg = rgbImg;
labelColor = {'Blue','Green'};
segmentedImg = cell(size(hcube.DataCube,1),size(hcube.DataCube,2),numel(queryEndmember));
for num = 1:numel(queryEndmember)
    scoreMap = sid(hcube,endMembers(:,queryEndmember(num)));
    segmentedImg{num} = scoreMap <= threshold;
    overlayImg = imoverlay(overlayImg,segmentedImg{num},labelColor{num});   
end

Отображение результатов

Визуально проверьте результаты идентификации путем отображения сегментированных изображений и наложенного изображения, которое подсвечивает области концевых элементов Морской воды и дерева в тестовых данных.

figure('Position',[0 0 900 400])
plotdim = [0.02 0.2 0.3 0.7;0.35 0.2 0.3 0.7];
for num = 1:numel(queryEndmember)
    subplot('Position',plotdim(num,:))
    imagesc(segmentedImg{num})
    title(strcat('Segmented Endmember region :',{' '},detection{num}));
    colormap([0 0 0;1 1 1])
    axis off
end

figure('Position',[0 0 900 400])
subplot('Position',[0 0.2 0.3 0.7])
imagesc(rgbImg)
title('RGB Transformation of Test Data');
axis off
subplot('Position',[0.35 0.2 0.3 0.7])
imagesc(overlayImg)
title('Overlay Segmented Regions')
hold on
dim = [0.66 0.6 0.3 0.3];
annotation('textbox',dim,'String','Sea Water','Color',[1 1 1],'BackgroundColor',[0 0 1],'FitBoxToText','on');
dim = [0.66 0.5 0.3 0.3];
annotation('textbox',dim,'String','Tree','BackgroundColor',[0 1 0],'FitBoxToText','on');
hold off
axis off

Ссылки

[1] Kruse, F.A., A.B. Lefkoff, J.W. Boardman, K.B. Heidebrecht, A.T. Shapiro, P.J. Barloon и A.F.H. Гетц. «Система спектральной обработки изображений (SIPS) - интерактивная визуализация и анализ данных спектрометра визуализации». Дистанционное зондирование окружения 44, № 2-3 (май 1993 года): 145-63. https://doi.org/10.1016/0034-4257 (93) 90013-N.