主要内容
希德
利用光谱信息散度度量光谱相似性
描述
例子
利用光谱信息散度识别高光谱区域
通过计算每个像素光谱和数据立方体端元光谱之间的光谱信息散度（SID），区分高光谱数据立方体中的不同区域。
将高光谱数据读入工作区。
hcube=超立方体(“jasperRidge2_R198.hdr”);
指定要在数据多维数据集中标识的光谱不同带的数量。
成员数=7；
使用NFINDR算法从数据立方体中提取端成员光谱特征。
endmembers=nfindr（hcube，numEndmembers）；
绘制末端构件的光谱特征。
图形打印（端件）xlabel(“波段号”)伊拉贝尔(“数据值”)传奇(“位置”,“最佳户外”)
计算数据立方体中每个端元和每个像素的光谱之间的光谱信息散度。
分数=零（大小（hcube.DataCube，1），大小（hcube.DataCube，2），numEndmembers）；对于i=1:numEndmembers得分（：，：，i）=sid（hcube，endmembers（：，i））；终止
根据每个像素光谱相对于所有端部构件获得的距离分数计算最小分数值。每个最小分数的索引标识端成员光谱，像素光谱显示出最大的相似性。一个索引值，N，在空间位置(x,Y)在分数矩阵中，表示像素在空间位置的光谱特征(x,Y)在数据立方体中，最佳匹配N第四任成员。
[~，匹配dx]=min（分数[]，3）；
使用以下方法估计高光谱数据立方体的RGB图像：着色功能。显示RGB图像和匹配索引值矩阵。
rgbImg=着色（hcube，“方法”,“RGB”); 身材(“位置”，[0 0 1100 500]）子批次(“位置”，[0.2 0.4 0.7]）图像SC（rgbImg）轴关颜色表违约头衔(“高光谱数据的RGB图像”)子地块(“位置”，[0.5 0.2 0.4 0.7]）图像C（匹配DX）；轴关头衔(“匹配端成员的索引”)色条
使用SID确定端部构件光谱的相似性
将高光谱数据读入工作区。
hcube=超立方体(“jasperRidge2_R198.hdr”);
使用N-FINDR方法查找高光谱数据立方体的10个端成员。
numEndmembers=10；endmembers=nfindr（hcube，numEndmembers）；
将第一端元作为参考谱，其余端元作为测试谱。计算参考光谱和测试光谱之间的SID分数。
分数=零（1，numEndmembers-1）；refSpectrum=endmembers（：，1）；对于i=2:numEndmembers testSpectrum=endmembers（：，i）；得分（i-1）=sid（testSpectrum，refSpectrum）；终止
找到与参考光谱具有最大相似性（最小距离）的测试光谱。然后找到与参考光谱具有最小相似性（最大距离）的测试光谱。
[minval，minidx]=min（分数）；maxMatch=endmembers（：，minidx）；[maxval，maxidx]=max（分数）；minMatch=endmembers（：，maxidx）；
绘制参考光谱、最大相似性测试光谱和最小相似性测试光谱。得分最低的测试光谱与参考端部构件具有最高的相似性。另一方面，得分最高的测试光谱具有最高的光谱可变性，并表征了两个不同端部构件的光谱行为nt材料。
图2：图（参考光谱）保持在…上绘图（最大匹配，“k”)密谋，“r”)传奇(“参考光谱”,“最小匹配测试光谱”,“最大匹配测试光谱”,...“位置”,“南外”)；头衔(“光谱之间的相似性”)注释(“文本箭头”,[0.3 0.3],[0.4 0.52],“字符串”,[“最小分数：”num2str（minval）]）注释(“文本箭头”,[0.6 0.6],[0.4 0.55],“字符串”,[“最大分数：”num2str（maxval）]）xlabel(“波段号”)伊拉贝尔(“数据值”)
输入参数
输出参数
更多关于
工具书类
[1] 张清义。用于高光谱图像分析的光谱可变性、相似性和鉴别的信息论方法IEEE信息论学报46，第5号（2000年8月）：1927-32。https://doi.org/10.1109/18.857802.
在R2020a中引入
您还可以从以下列表中选择网站：
