Чтение гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Оцените количество спектрально отличных конечных элементов в кубе данных при помощи countEndmembersHFC функция.

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

Извлеките спектральные сигнатуры конечного элемента из куба данных с помощью алгоритма NFINDR.

endmembers = nfindr(hcube,numEndmembers);

Постройте график спектральных сигнатур извлеченных конечных элементов.

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

Вычислите расстояние NS3 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) = ns3(hcube,endmembers(:,i));
end

Вычислите минимальное значение баллов из счетов расстояния, полученных для каждого пиксельного спектра, относительно всех конечных элементов. Индекс каждого минимального счета идентифицирует спектр конечного элемента, с которым пиксельный спектр показывает максимальное сходство. Значение индекса n в пространственном местоположении (x, y) в матрице счета указывает, что спектральная сигнатура пикселя в пространственном местоположении (x, y) в кубе данных лучше всего соответствует спектральной сигнатуре n-го конца.

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

Оцените изображение RGB входных данных с помощью colorize функция.

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

Отображение изображения RGB и матрицы совпадающих 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

Чтение гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Найдите первые 10 конечных элементов гиперспектральных данных.

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

Рассмотрим первый конечный элемент как ссылка спектр, а остальные конечные элементы как тестовый спектр.

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

Постройте график спектра ссылки 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 NS3 счета между ссылкой и тестовым спектрами.

score = zeros(1,numEndmembers-1);
for itr = 1:numEndmembers-1
    score(itr) = ns3(testSpectra(:,itr),refSpectrum);
end

Найдите тестовый спектр, который показывает максимальное сходство (минимальное расстояние) с ссылкой спектром. Затем найдите тестовый спектр, который показывает минимальное сходство (максимальное расстояние) с ссылкой спектром.

[minval,minidx] = min(score);
maxMatch = testSpectra(:,minidx);
[maxval,maxidx] = max(score);
minMatch = testSpectra(:,maxidx);

Постройте график ссылки спектра, максимального подобия и минимального теста подобия. Тестовый спектр с минимальным значением баллов указывает на наивысшее сходство с конечным элементом ссылки. С другой стороны, тестовый спектр с максимальным значением баллов имеет самую высокую спектральную изменчивость.

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(40,500,['Max score: ' num2str(maxval)],'Color','r')
text(120,1900,['Min score: ' num2str(minval)],'Color','k')