通过执行最大丰度分类(MAC)识别高光谱图像中的不同区域。丰度图描述了一个端元在高光谱图像上的分布。图像中的每个像素要么是纯像素，要么是混合像素。为每个像素获得的丰度值集表示该像素中每个端元的百分比。在本例中，您将对高光谱图像中的像素进行分类，方法是找到每个像素的最大丰度值并将其分配给相关的端成员类。

利用光谱角度映射器(SAM)分类算法对高光谱图像中的像素进行分类。该算法通过计算像素光谱与从ECOSTRESS谱库中读取的纯光谱特征之间的光谱匹配分数，对测试数据中的每个像素进行分类。这个例子使用Jasper Ridge数据集中的一个数据样本作为测试数据。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，你将:

使用自定义的光谱卷积神经网络(CSCNN)对高光谱图像进行分类。

预处理高光谱图像，并使用统计和机器学习工具箱™支持向量机(SVM)分类器对其进行分类。金宝app

识别高光谱图像中出现的端元材料的类别。端元是纯光谱特征，表示属于单一表面材料的像素的反射率特征。现有的端元提取或识别算法提取或识别高光谱图像中的纯像素。然而，这些技术不能识别端元谱所属的材料名称或类。在本例中，您将提取端元签名，然后使用光谱匹配对高光谱图像中端元材料的类别进行分类或识别。

利用光谱匹配方法在高光谱图像中检测已知目标。利用已知目标材料的纯光谱特征在高光谱图像中探测和定位目标。在本例中，您将使用光谱角度映射器(SAM)光谱匹配方法来检测高光谱图像中的人造屋顶材料(已知目标)。屋面材料的纯光谱特征从ECOSTRESS光谱库中读取，并作为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，并将最匹配的像素光谱归类为属于目标材料。

通过对归一化植被指数(NDVI)图进行交互阈值处理，识别高光谱图像中的植被区域类型。高光谱数据集的NDVI图显示了高光谱数据中不同区域的植被密度。NDVI值是利用高光谱数据立方体中的近红外(NIR)和可见红色(R)光谱波段图像计算得出的。

在Landsat 8多光谱图像中识别水和植被区域，并使用Mapping Toolbox™对图像进行空间引用。

从多光谱图像中手动选择感兴趣的区域(roi)，并使用Mapping Toolbox™将其保存在shapefile中。