Загрузка и визуализация данных

Загрузите .mat файл, содержащий тестовые данные в рабочую область. The .mat файл содержит массив paviaU, представляющий кубик гиперспектральных данных и матрицу signatures, представляющий девять подписей конечных элементов, взятых из гиперспектральных данных. Кубик данных имеет 103 спектральных полосы с длинами волн в диапазоне от 430 нм до 860 нм. Геометрическое разрешение составляет 1,3 метра, и пространственное разрешение каждой полосы изображения составляет 610 на 340.

load('paviaU.mat');
image = paviaU;
sig = signatures;

Вычислите центральную длину волны для каждой спектральной полосы путем равномерного распределения области значений длин волн по количеству спектральных полос.

wavelengthRange = [430 860];
numBands = 103;
wavelength = linspace(wavelengthRange(1),wavelengthRange(2),numBands);

Создайте hypercube объект с использованием куба гиперспектральных данных и центральных длин волн. Затем оцените изображение RGB из гиперспектральных данных. Установите ContrastStretching значение параметров в true в порядок улучшить контрастность RGB- выхода. Визуализация изображения RGB.

hcube = hypercube(image,wavelength);
rgbImg = colorize(hcube,'Method','RGB','ContrastStretching',true);
figure
imshow(rgbImg)

Тестовые данные содержат подписи конечных элементов девяти классов основной истины. Каждый столбец sig содержат подпись конечного элемента класса основной истины. Составьте таблицу, в которой перечислены имена классов для каждого конечного члена и соответствующий столбец sig.

num = 1:size(sig,2);
endmemberCol = num2str(num');
classNames = {'Asphalt';'Meadows';'Gravel';'Trees';'Painted metal sheets';'Bare soil';...
              'Bitumen';'Self blocking bricks';'Shadows'};
table(endmemberCol,classNames,'VariableName',{'Column of sig';'Endmember Class Name'})

ans=9×2 table
    Column of sig      Endmember Class Name  
    _____________    ________________________

          1          {'Asphalt'             }
          2          {'Meadows'             }
          3          {'Gravel'              }
          4          {'Trees'               }
          5          {'Painted metal sheets'}
          6          {'Bare soil'           }
          7          {'Bitumen'             }
          8          {'Self blocking bricks'}
          9          {'Shadows'             }

Постройте график подписей конечных элементов.

figure
plot(sig)
xlabel('Band Number')
ylabel('Data Values')
ylim([400 2700])
title('Endmember Signatures')
legend(classNames,'Location','NorthWest')

Оценка численности карт

Создайте карты изобилия для конечных элементов с помощью estimateAbundanceLS и выберите метод как полные методы наименьших квадратов с ограничениями (FCLS). Функция выводит карты численности как трехмерный массив с пространственными размерностями в качестве входных данных. Каждый канал является обильной картой конечного члена из соответствующего столбца сигнатур. В этом примере пространственная размерность входных данных составляет 610 на 340, и количество конечных элементов равно 9. Итак, размер карты численности выхода составляет 610 на 340 на 9.

abundanceMap = estimateAbundanceLS(hcube,sig,'Method','fcls');

Отобразите карты изобилия.

fig = figure('Position',[0 0 1100 900]);
n = ceil(sqrt(size(abundanceMap,3)));
for cnt = 1:size(abundanceMap,3)
    subplot(n,n,cnt)
    imagesc(abundanceMap(:,:,cnt))
    title(['Abundance of ' classNames{cnt}])
    hold on
end
hold off

Выполните классификацию максимальной численности

Найдите номер канала с наибольшим значением численности для каждого пикселя. Номер канала, возвращенный для каждого пикселя, соответствует столбцу в sig который содержит сигнатуру конечного элемента, связанную со значением максимальной численности этого пикселя. Отобразите цветное изображение пикселей, классифицированных по максимальному значению численности.

[~,matchIdx] = max(abundanceMap,[],3);
figure
imagesc(matchIdx)
colormap(jet(numel(classNames)))
colorbar('TickLabels',classNames)

Сегментируйте классифицированные области и наложите каждую из них на изображение RGB, оцененное из куба гиперспектральных данных.

segmentImg = zeros(size(matchIdx));
overlayImg = zeros(size(abundanceMap,1),size(abundanceMap,2),3,size(abundanceMap,3));
for i = 1:size(abundanceMap,3)
    segmentImg(matchIdx==i) = 1;
    overlayImg(:,:,:,i) = imoverlay(rgbImg,segmentImg);
    segmentImg = zeros(size(matchIdx));
end

Отобразите классифицированные и наложенные гиперспектральные области изображений вместе с их именами классов. На изображениях видно, что асфальт, деревья, голый грунт и кирпичные области были точно классифицированы.

figure('Position',[0 0 1100 900]);
n = ceil(sqrt(size(abundanceMap,3)));
for cnt = 1:size(abundanceMap,3)
    subplot(n,n,cnt);
    imagesc(uint8(overlayImg(:,:,:,cnt)));
    title(['Regions Classified as ' classNames{cnt}])
    hold on
end
hold off