Различают различные области в кубе гиперспектральных данных путем вычисления спектрального информационного расхождения (SID) между каждым спектром пикселей и спектром конечных элементов куба данных.

Чтение гиперспектральных данных в рабочую область.

 hcube = hypercube('jasperRidge2_R198.hdr');

Задайте количество спектрально различных полос для идентификации в кубе данных.

numEndmembers = 7;

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

endmembers = nfindr(hcube,numEndmembers);

Постройте график спектральных сигнатур конечных элементов.

figure  
plot(endmembers)   
xlabel('Band Number')
ylabel('Data Value')
legend('Location','Bestoutside')

Вычислите спектральное расхождение информации между каждым концевым 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) = sid(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.

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

Оцените изображение RGB куба гиперспектральных данных с помощью colorize функция. Отображение изображения RGB и матрицы совпадающих значений индекса.

rgbImg = colorize(hcube,'Method','RGB');
figure('Position',[0 0 1100 500])
subplot('Position',[0 0.2 0.4 0.7])
imagesc(rgbImg)
axis off
colormap default
title('RGB Image of Hyperspectral Data')
subplot('Position',[0.5 0.2 0.4 0.7])
imagesc(matchingIndx);
axis off
title('Indices of Matching Endmembers')
colorbar

Чтение гиперспектральных данных в рабочую область.

hcube = hypercube('jasperRidge2_R198.hdr');

Найдите 10 конечных элементов куба гиперспектральных данных с помощью метода N-FINDR.

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

Рассмотрим первый конечный элемент как ссылка спектр, а остальные конечные элементы как тестовый спектр. Вычислите счет SID между ссылкой и тестовым спектрами.

score = zeros(1,numEndmembers-1);
refSpectrum = endmembers(:,1);
for i = 2:numEndmembers
    testSpectrum = endmembers(:,i);
    score(i-1) = sid(testSpectrum,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 = endmembers(:,minidx);
[maxval,maxidx] = max(score);
minMatch = endmembers(:,maxidx);

Постройте график ссылки спектра, максимального тестового спектра подобия и минимального тестового спектра подобия. Тестовый спектр с минимальным счетом имеет самое высокое сходство с конечным элементом ссылки. С другой стороны, тестовый спектр с максимальным счетом имеет самую высокую спектральную изменчивость и характеризует спектральное поведение двух различных материалов.

figure
plot(refSpectrum)
hold on
plot(maxMatch,'k')
plot(minMatch,'r')
legend('Reference spectrum','Minimum match test spectrum','Maximum match test spectrum',...
       'Location','Southoutside');
title('Similarity Between Spectra')
annotation('textarrow',[0.3 0.3],[0.4 0.52],'String',['Min score: ' num2str(minval)])
annotation('textarrow',[0.6 0.6],[0.4 0.55],'String',['Max score: ' num2str(maxval)])
xlabel('Band Number')
ylabel('Data Values')