Идентифицируйте различные области в гиперспектральном изображении путем выполнения максимальной классификации численности (MAC). Карта изобилия характеризует распределение конечного элемента по гиперспектральному изображению. Каждый пиксель в изображении является либо чистым пикселем, либо смешанным пикселем. Набор значений плотности, полученных для каждого пикселя, представляет процент всех конечных элементов, присутствующих в этом пикселе. В этом примере вы классифицируете пиксели в гиперспектральном изображении, найдя максимальное значение численности для каждого пикселя и присвоив его связанному классу endmember.

Классифицируйте пиксели в гиперспектральном изображении с помощью алгоритма классификации спектрального преобразователя углов (SAM). Этот алгоритм классифицирует каждый пиксель в тестовых данных путем вычисления счета спектрального соответствия между спектром пикселя и чистыми спектральными сигнатурами, считанными из спектральной библиотеки ECOSTRESS. Этот пример использует выборку данных из набора данных Jasper Ridge в качестве тестовых данных. Тестовые данные содержат четыре латентных конечных элемента, состоящих из дорог, почвы, воды и деревьев. В этом примере вы будете:

Классификация гиперспектральных изображений с помощью пользовательской спектральной сверточной нейронной сети (CSCNN) для классификации.

Идентифицируйте классы материалов конечных элементов, присутствующих в гиперспектральном изображении. Конечные элементы являются чистой спектральной сигнатурой, которая сигнализирует отражательные характеристики пикселей, принадлежащих одному поверхностному материалу. Существующие алгоритмы извлечения или идентификации конечных элементов извлекают или идентифицируют чистые пиксели в гиперспектральном изображении. Однако эти методы не идентифицируют имя материала или класс, к которому относится спектр конечного члена. В этом примере вы извлечете сигнатуры конечного элемента, а затем, классифицируете или идентифицируете класс материала конечного элемента в гиперспектральном изображении с помощью спектрального согласования.

Обнаружить известную цель в гиперспектральном изображении с помощью метода спектрального согласования. Чистая спектральная сигнатура известного материала-мишени используется для обнаружения и определения местоположения мишени в гиперспектральном изображении. В этом примере вы будете использовать метод спектрального согласования спектрального преобразования угла (SAM), чтобы обнаружить рукотворные кровельные материалы (известные целевые) в гиперспектральном изображении. Чистая спектральная сигнатура кровельного материала считывается из спектральной библиотеки ECOSTRESS и используется в качестве ссылки спектра для спектрального согласования. Спектральные сигнатуры всех пикселей в кубе данных сравниваются с эталонным спектром, и наиболее подходящий пиксельный спектр классифицируется как относящийся к целевому материалу.

Идентифицируйте типы областей растительности в гиперспектральном изображении посредством интерактивного порога нормализованной карты индекса различия растительности (NDVI). Карта NDVI гиперспектрального набора данных указывает плотность растительности в различных областях гиперспектральных данных. Значение NDVI вычисляют с использованием спектральных изображений ближнего инфракрасного (NIR) и видимой красной (R) полосы из куба гиперспектральных данных.