通过最大丰度分类(MAC)来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。每个像素获得的丰度值集代表该像素中存在的每个端元的百分比。在本例中，您将通过查找每个像素的最大丰度值并将其分配给相关的端成员类来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。

识别存在于高光谱图像中的端元材料的类别。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别。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的端元材料进行分类或识别。

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）图的交互阈值化来识别高光谱图像中植被区域的类型。高光谱数据集的NDVI地图表示高光谱数据的各个区域中的植被密度。使用来自超光谱数据多维数据集的近红外（NIR）和可见红色（R）光谱带图像来计算NDVI值。