通过执行最大丰度分类（MAC），识别高光谱图像中的不同区域。丰度图描述了端元在高光谱图像中的分布。图像中的每个像素都是纯像素或混合像素。为每个像素获得的丰度值集表示该像素中存在的每个端成员的百分比。在本例中，您将通过查找每个像素的最大丰度值并将其指定给关联的端成员类，对高光谱图像中的像素进行分类。

利用光谱角制图仪(SAM)分类算法对高光谱图像中的像元进行分类。该算法通过计算一个像素的光谱与从ECOSTRESS谱库中读取的纯光谱特征之间的光谱匹配得分，对测试数据中的每个像素进行分类。本示例使用来自Jasper Ridge数据集的数据示例作为测试数据。测试数据包含四个潜在的端元，包括道路、土壤、水和树木。在这个例子中，你会:

使用自定义光谱卷积神经网络（CSCNN）对高光谱图像进行分类。

识别高光谱图像中存在的端元材料类别。端元是纯光谱特征，表示属于单个表面材料的像素的反射特性。现有端元提取或识别算法提取或识别高光谱图像中的纯像素。如何然而，这些技术无法识别端成员光谱所属的材料名称或类别。在本例中，您将提取端成员特征，然后使用光谱匹配对高光谱图像中的端成员材料类别进行分类或识别。

利用光谱匹配方法检测高光谱图像中的已知目标。利用已知目标材料的纯光谱特征对高光谱图像中的目标进行检测和定位。在本例中，您将使用光谱角度制图仪(SAM)光谱匹配方法来检测高光谱图像中的人造屋面材料(已知目标)。屋顶材料的纯光谱特征从ECOSTRESS光谱库中读取，用作光谱匹配的参考光谱。将数据立方体中所有像素的光谱特征与参考光谱进行比较，将最匹配的像素光谱归为目标材料。

通过归一化差异植被指数（NDVI）图的交互式阈值确定高光谱图像中植被区域的类型。高光谱数据集的NDVI图显示了高光谱数据不同区域的植被密度。利用高光谱数据立方体的近红外（NIR）和可见光红色（R）光谱带图像计算NDVI值。