Идентифицируйте различные области в гиперспектральном изображении путем выполнения максимальной классификации распространенностей (MAC). Карта распространенности характеризует распределение endmember через гиперспектральное изображение. Каждый пиксель в изображении является или чистым пикселем или смешанным пикселем. Набор значений распространенности, полученных для каждого пикселя, представляет процент каждого endmembers, существующего в том пикселе. В этом примере вы классифицируете пиксели на гиперспектральное изображение путем нахождения максимального значения распространенности для каждого пикселя и присвоения его связанному endmember классу.

Классифицируйте пиксели на гиперспектральное изображение при помощи алгоритма классификации спектральных угловых картопостроителей (SAM). Этот алгоритм классифицирует каждый пиксель на тестовые данные путем вычисления спектрального счета соответствия между спектром пикселя и чистыми спектральными подписями, считанными из спектральной библиотеки ECOSTRESS. Этот пример использует выборку данных от набора данных Jasper Ridge как тестовые данные. Тестовые данные содержат четыре endmembers скрытых, состоя из дорог, почвы, воды и деревьев. В этом примере вы будете:

Классифицируйте гиперспектральные изображения с помощью пользовательской спектральной нейронной сети свертки (CSCNN) для классификации.

Идентифицируйте классы endmember материалов, существующих в гиперспектральном изображении. endmembers являются чистой спектральной подписью, которая показывает характеристики коэффициента отражения пикселей, принадлежащих одному поверхностному материалу. Существующие endmember алгоритмы экстракции или идентификации извлекают или идентифицируют чистые пиксели в гиперспектральном изображении. Однако эти методы не идентифицируют материальное имя или класс, к которому endmember спектр принадлежат. В этом примере вы извлечете endmember подписи и затем, классифицируете или идентифицируете класс endmember материала в гиперспектральном изображении при помощи спектрального соответствия.

Обнаружьте известную цель в гиперспектральном изображении при помощи спектрального метода сопоставления. Чистая спектральная подпись известного целевого материала используется, чтобы обнаружить и определить местоположение цели в гиперспектральном изображении. В этом примере вы будете использовать спектральный угловой картопостроитель (SAM) спектральный метод сопоставления обнаружить искусственные кровельные материалы (известная цель) в гиперспектральном изображении. Чистая спектральная подпись кровельного материала читается из спектральной библиотеки ECOSTRESS и используется в качестве ссылочного спектра для спектрального соответствия. Спектральные подписи всех пикселей в кубе данных по сравнению со ссылочным спектром, и лучший пиксельный спектр соответствия классифицируется как принадлежащий целевому материалу.

Идентифицируйте типы областей растительностей в гиперспектральном изображении посредством интерактивной пороговой обработки карты нормированного индекса растительности различия (NDVI). Карта NDVI гиперспектрального набора данных указывает на плотность растительности в различных областях гиперспектральных данных. Значение NDVI вычисляется с помощью почти инфракрасного излучения (NIR) и видимых красных (R) изображений диапазона от гиперспектрального куба данных.