Нормированный индекс растительности
output = ndvi(hcube)ndvi функционируйте использует значения коэффициента отражения полосы на 800 нм и на 670 нм для красного и изображений полосы NIR соответственно.
output = ndvi(hcube,'BlockSize',blocksize)'BlockSize'.
Функция делит входное изображение на отличные блоки, процессы каждый блок, и затем конкатенирует обработанный выход каждого блока, чтобы сформировать выходную матрицу. Гиперспектральные изображения являются наборами многомерных данных, которые могут быть слишком большими, чтобы поместиться в системную память в их полноте. Это может заставить систему исчерпывать память при выполнении ndvi функция. Если вы сталкиваетесь с такой проблемой, выполняете обработку блока при помощи этого синтаксиса.
Например, ndvi(hcube,'BlockSize',[50 50]) делит входное изображение на неперекрывающиеся блоки размера 50 50 и затем вычисляет значения NDVI для пикселей в каждом блоке.
Примечание
Выполнять обработку блока путем определения 'BlockSize' аргумент пары "имя-значение", у вас должен быть MATLAB® R2021a или более поздний релиз.
Примечание
Эта функция требует Image Processing Toolbox™ Гиперспектральная Библиотека Обработки изображений. Можно установить Image Processing Toolbox Гиперспектральная Библиотека Обработки изображений из Add-On Explorer. Для получения дополнительной информации об установке дополнений, смотрите, Получают и Управляют Дополнениями.
Считайте гиперспектральные данные в рабочую область.
hcube = hypercube('indian_pines.dat');Вычислите значение NDVI для каждого пикселя в кубе данных.
ndviImg = ndvi(hcube);
Оцените расширенное от контраста изображение RGB от исходного куба данных при помощи colorize функция.
rgbImg = colorize(hcube,'Method','RGB','ContrastStretching',true);
Отобразите оригинал и изображение NDVI.
fig = figure('Position',[0 0 1200 600]); axes1 = axes('Parent',fig,'Position',[0 0.1 0.4 0.8]); imshow(rgbImg,'Parent',axes1) title('RGB Image of Data Cube') axes2 = axes('Parent',fig,'Position',[0.45 0.1 0.4 0.8]); imagesc(ndviImg,'Parent',axes2) colorbar title('NDVI Image')
Области растительности обычно имеют значения NDVI от 0,2 и 0.8. Значения NDVI, меньше чем или равные 0,2, указывают на отсутствие растительности. Выполните пороговую обработку изображения NDVI, чтобы сегментировать области растительности. Задайте пороговое значение.
threshold = 0.2;
Сгенерируйте бинарное изображение со значением интенсивности 1 для пикселей со счетом, больше, чем или равный заданному порогу. Все другие пиксели имеют значение 0. Области в бинарном изображении со значением 1 соответствуйте областям растительности в кубе данных со значениями NDVI, больше, чем порог.
bw = ndviImg > threshold;
Наложите бинарное изображение на RGB, отображают и отображают наложенное изображение.
overlayImg = imoverlay(rgbImg,bw,[0 1 0]);
figure
imagesc(overlayImg)
title('Vegetation Region Overlaid on RGB Image')
Вычислите растительный покров на основе общего количества пикселей в диапазоне и количестве пикселей со значением NDVI, больше, чем 0,2.
numVeg = find(bw == 1); imgSize = size(hcube.DataCube,1)*size(hcube.DataCube,2); vegetationCover = length(numVeg)/imgSize
vegetationCover = 0.5696
[1] Haboudane, D. “Гиперспектральные индексы Растительности и Новые Алгоритмы для Предсказания Зеленого LAI Навесов Обрезки: Моделирование и Валидация в Контексте Сельского хозяйства Точности”. Дистанционное зондирование Среды 90, № 3 (15 апреля 2004): 337–52. https://doi.org/10.1016/j.rse.2003.12.013.