Гиперспектральные меры обработки изображений пространственные и спектральные характеристики объекта путем обработки изображений его в различных длинах волн. Область значений длины волны расширяет вне видимого спектра и покрытий от ультрафиолетового излучения (UV) к длинноволновому инфракрасному излучению (LWIR) длины волн. Самым популярным является видимое, почти инфракрасный, и середина инфракрасных полос длины волны. Гиперспектральный датчик изображений получает несколько изображений с узкими и непрерывными длинами волн в указанном спектральном диапазоне. Каждое из этих изображений содержит более тонкую и подробную информацию.
Гиперспектральная обработка изображений включает представление, анализ и интерпретацию информации, содержавшейся в гиперспектральных изображениях.
Значения, измеренные гиперспектральным датчиком изображений, хранятся к файлу двоичных данных при помощи полосы, последовательной (BSQ), или форматы кодировки разделенные по строкам (BIL) разделенные по пикселям (BIP). Файл данных сопоставлен к заголовочному файлу, который содержит вспомогательную информацию (метаданные) как параметры датчика, настройки захвата, пространственные размерности, спектральные длины волн и форматы кодировки, которые требуются для соответствующего представления значений в файле данных.
Для гиперспектральной обработки изображений значения, считанные из файла данных, располагаются в 3D (3-D) массив формы M-by-N-by-C, где M и N являются пространственными размерностями полученных данных, C является спектральной размерностью, задающей количество спектральных длин волн, используемых во время захвата. Таким образом можно считать трехмерный массив в виде набора двумерных (2D) монохроматических изображений полученным в различных длинах волн. Этот набор известен как hyperspectral data cube или data cube.
hypercube функционируйте создает куб данных путем чтения файла данных и информации о метаданных в связанном заголовочном файле. hypercube функция создает hypercube объект и хранилища куб данных, спектральные длины волн и метаданные к его свойствам. Можно использовать hypercube возразите, как введено против всех других функций в Image Processing Toolbox™ Гиперспектральной Библиотеке Обработки изображений.
Цветное представление куба данных
Чтобы визуализировать и изучить отображаемый объект, полезно представлять куб данных как 2D изображение при помощи цветовых схем. Цветное представление куба данных позволяет вам визуально смотреть принятие решения поддержек и данные. Можно использовать colorize функция, чтобы вычислить "Красный зеленый синий" (RGB), фиктивный цвет и цветное инфракрасное излучение (CIR) представления куба данных.
Цветовая схема RGB использует красные, зеленые, и синие ответы диапазона, чтобы сгенерировать 2D изображение гиперспектрального куба данных. Цветовая схема RGB приносит естественный внешний вид, но приводит к значительной потере тонкой информации.
Схема фиктивного цвета использует комбинацию любого количества полос кроме видимых красных, зеленых, и синих диапазонов. Используйте представление фиктивного цвета, чтобы визуализировать спектральные ответы полос вне видимого спектра. Схема фиктивного цвета эффективно получает отличную информацию через все диапазоны гиперспектральных данных.
Цветовая схема CIR использует диапазоны в области значений NIR. Представление CIR гиперспектрального куба данных особенно полезно в отображении и анализе областей растительности куба данных.
Гиперспектральные датчики изображений обычно имеют высокое спектральное разрешение и низкое пространственное разрешение. Пространственное и спектральные характеристики полученных гиперспектральных данных характеризуются его пикселями. Каждый пиксель является вектором из значений, которые задают интенсивность в местоположении (x, y) в z различные полосы. Вектор известен как pixel spectrum, и это задает спектральную подпись пикселя, расположенного в (x, y). Пиксельные спектры являются важными функциями в гиперспектральном анализе данных. Но эти пиксельные спектры искажены из-за факторов, таких как шум датчика, атмосферные эффекты и низкое разрешение.
Можно использовать denoiseNGMeet функция, чтобы удалить шум из гиперспектральных данных при помощи нелокального соответствует глобальному подходу.
Чтобы улучшить пространственное разрешение гиперспектральных данных, можно использовать методы сплава изображений. Подход сплава комбинирует информацию из с низким разрешением гиперспектральных данных с высоким разрешением многоспектральные данные или панхроматическое изображение той же сцены. Этот подход также известен как sharpening или pansharpening в гиперспектральном анализе изображения. Pansharpening в частности обращается к сплаву между гиперспектральными и панхроматическими данными. Можно использовать sharpencnmf функция для увеличения резкости гиперспектральных данных с помощью связанного нематричного метода факторизации.
Чтобы компенсировать атмосферные эффекты, необходимо сначала калибровать пиксельные значения, которые являются цифровыми числами (DNS). Необходимо предварительно обработать данные путем калибровки DNS с помощью радиометрических и атмосферных методов коррекции. Этот процесс улучшает интерпретацию пиксельных спектров и обеспечивает лучшие результаты, когда вы анализируете несколько наборов данных, как в проблеме классификации. Для получения информации о радиометрической калибровке и атмосферных методах коррекции, смотрите Гиперспектральную Коррекцию Данных.
Другой шаг предварительной обработки, который важен во всех гиперспектральных приложениях обработки изображений, является сокращением размерности. Большое количество полос в гиперспектральных данных увеличивает вычислительную сложность обработки куба данных. Непрерывная природа полосы отображает результаты в избыточной информации через полосы. У соседних полос в гиперспектральном изображении есть высокая корреляция, которая приводит к спектральному сокращению. Можно удалить избыточные полосы путем декорреляции изображений полосы. Популярные подходы для сокращения спектральной размерности куба данных включают выбор полосы и ортогональные преобразования.
Подход band selection использует ортогональные проекции пробела, чтобы найти спектрально отличные и самые информативные полосы в кубе данных. Используйте selectBands и removeBands функции для находящих самых информативных полос и удаляющий одну или несколько полос, соответственно.
Orthogonal transforms, такой как анализ главных компонентов (PCA) и максимальная шумовая часть (MNF), декоррелируйте информацию о полосе и найдите полосы основного компонента.
PCA преобразовывает данные к более низкому мерному пространству и находит векторы основного компонента с их направлениями вдоль максимальных отклонений входных полос. Основные компоненты имеют в порядке убывания количество общего объясненного отклонения.
MNF вычисляет основные компоненты, которые максимизируют шумовое отношение сигнала, а не отклонение. MNF преобразовывают, особенно эффективно при получении основных компонентов от шумных изображений полосы. Полосы основного компонента являются спектрально отличными полосами с низкой корреляцией межполосы.
hyperpca и hypermnf функции уменьшают спектральную размерность куба данных при помощи PCA, и MNF преобразовывает соответственно. Можно использовать пиксельные спектры, выведенные из уменьшаемого куба данных для гиперспектрального анализа данных.
В гиперспектральном изображении значения интенсивности, зарегистрированные на уровне каждого пикселя, задают спектральные характеристики области, которой принадлежит пиксель. Область может быть гомогенной поверхностной или неоднородной поверхностью. Пиксели, которые принадлежат гомогенной поверхности, известны как pure pixels. Эти чистые пиксели составляют endmembers гиперспектральных данных.
Неоднородные поверхности являются комбинацией двух или больше отличных гомогенных поверхностей. Пиксели, принадлежащие неоднородным поверхностям, известны как mixed pixels. Спектральная подпись смешанного пикселя является комбинацией двух или больше endmember подписей. Эта пространственная неоднородность происходит в основном из-за низкого пространственного разрешения гиперспектрального датчика.
Спектральное несмешивание является процессом разложения спектральных подписей смешанных пикселей в их составляющую endmembers. Спектральный процесс несмешивания включает два шага:
Endmember extraction — Спектры endmembers являются яркими чертами в гиперспектральных данных и могут использоваться для эффективного спектрального несмешивания, сегментации и классификации гиперспектральных изображений. Выпуклые основанные на геометрии подходы, такие как пиксельный индекс чистоты (PPI), быстро итеративный пиксельный индекс чистоты (FIPPI) и N-средство-поиска (N-FINDR) являются некоторыми эффективными подходами для endmember экстракции.
Используйте ppi функционируйте, чтобы оценить endmembers при помощи подхода PPI. Подход PPI проектирует пиксельные спектры к ортогональному пробелу и идентифицирует экстремальные пиксели на спроектированном пробеле как endmembers. Это - неитерационный подход, и результаты зависят от случайных единичных векторов, сгенерированных для ортогональной проекции. Чтобы улучшить результаты, необходимо увеличить случайные единичные векторы для проекции, которая может быть в вычислительном отношении дорогой.
Используйте fippi функционируйте, чтобы оценить endmembers при помощи подхода FIPPI. Подход FIPPI является итерационным подходом, который использует автоматический целевой процесс генерации, чтобы оценить начальный набор единичных векторов для ортогональной проекции. Алгоритм сходится быстрее, чем PPI приближается, и идентифицирует endmembers, которые отличны друг от друга.
Используйте nfindr функционируйте, чтобы оценить endmembers при помощи метода N-FINDR. N-FINDR является итерационным подходом, который создает симплекс при помощи пиксельных спектров. Подход принимает, что объем симплекса, сформированного endmembers, больше, чем объем, заданный любой другой комбинацией пикселей. Набор пиксельных подписей, для которых объем симплекса высок, является endmembers.
Abundance map estimation — Учитывая endmember подписи, полезно оценить дробную сумму каждого endmember, существующего в каждом пикселе. Можно сгенерировать карты распространенности для каждого endmember, которые представляют распределение endmember спектров в изображении. Можно пометить пиксель как принадлежащий endmember спектры путем сравнения всех значений карты распространенности, полученных для того пикселя.
Используйте estimateAbundanceLS функционируйте, чтобы оценить карты распространенности для каждого endmember спектры.
Интерпретируйте пиксельные спектры путем выполнения spectral matching, .Spectral, соответствующий, идентифицирует класс endmember материала путем сравнения его спектров с одним или несколькими ссылочными спектрами. Справочные данные состоят из чистых спектральных подписей материалов, которые доступны как спектральные библиотеки.
Используйте readEcostressSig функционируйте, чтобы считать ссылочные файлы спектров из спектральной библиотеки ECOSTRESS. Затем можно вычислить подобие между файлами в спектрах библиотеки ECOSTRESS и endmember спектры при помощи spectralMatch функция.
Геометрические характеристики и значения вероятностного распределения пиксельных спектров являются важными функциями спектрального соответствия. Можно повысить соответствующую эффективность путем объединения и геометрических и вероятностных характеристик. Такие меры по комбинации имеют более высокие возможности дискриминации, чем индивидуальные подходы и более подходят для различения спектрально подобных целей (внутриразновидности). Эта таблица приводит функции, доступные для вычисления спектрального счета соответствия.
| Метод | Описание |
sam | Спектральный угловой картопостроитель (SAM) совпадает с двумя спектрами на основе их геометрических характеристик. Мера по SAM вычисляет угол между двумя спектральными подписями. Меньший угол представляет лучше всего соответствие между двумя спектрами. Эта мера нечувствительна к изменениям освещения. |
sid | Спектральное информационное расхождение (SID) совпадает с двумя спектрами на основе их вероятностных распределений. Этот метод эффективен в идентификации смешанных пиксельных спектров. Низкое значение SID подразумевает более высокое подобие между двумя спектрами. |
sidsam | Комбинация SID и SAM. Подход SID-SAM имеет лучшую возможность дискриминации по сравнению с SID и SAM индивидуально. Минимальный счет подразумевает более высокое подобие между двумя спектрами. |
jmsam | Комбинация расстояния Jeffries–Matusita (JM) и SAM. Низкие значения расстояния подразумевают более высокое подобие между двумя спектрами. Этот метод особенно эффективен в различении, спектрально закрывают цели. |
ns3 | Нормированный счет подобия спектров (NS3), который комбинирует Евклидово расстояние и SAM. Низкие значения расстояния подразумевают более высокое подобие между двумя спектрами. Этот метод имеет высокую возможность дискриминации, но требует обширных справочных данных для высокой точности. |
Гиперспектральные приложения для обработки изображений включают классификацию, предназначаются для обнаружения, обнаружения аномалии и существенного анализа.
Сегмент и классифицирует каждый пиксель на гиперспектральное изображение посредством несмешивания и спектральное соответствие. Для примеров классификации смотрите, что Гиперспектральный Анализ изображения Использует Максимальную Классификацию Распространенностей, и Классифицируйте Гиперспектральное Изображение Используя Подписи Библиотеки и SAM.
Можно выполнить целевое обнаружение путем соответствия с известной спектральной подписью целевого материала к пиксельным спектрам в гиперспектральных данных. Для примера смотрите, что Целевое Обнаружение Использует Спектральное Соответствие Подписи.
Можно также использовать гиперспектральную обработку изображений для обнаружения аномалии и существенный анализ, такой как анализ растительности.
Используйте anomalyRX функция, чтобы обнаружить аномалии в гиперспектральном изображении.
Используйте spectralIndices функция, чтобы анализировать спектральные характеристики различных материалов, существующих в гиперспектральных данных.
hypercube | spectralMatch | anomalyRX | ndvi | ppi | estimateAbundanceLS