主要内容

开始使用高光谱图像处理

高光谱成像技术措施的空间和光谱特征通过成像物体在不同波长。可见光谱的波长范围超出,覆盖从紫外线(UV)到长波红外波长(LWIR)。最受欢迎的是可见、近红外和中红外波长。高光谱图像传感器获得几个图像缩小和相邻波长指定光谱范围内。这些图像包含更微妙的和详细的信息。各种波长的不同信息在遥感应用中尤其有用,如识别植被、水体、道路,不同的风景有不同的光谱特征。

高光谱图像处理涉及表示、分析和解释信息包含在高光谱图像。

高光谱图像处理工作流程

代表高光谱数据

高光谱成像传感器测得的值存储到一个二进制数据文件通过使用带顺序(BSQ) band-interleaved-by-pixel(毕普),或band-interleaved-by-line (BIL)编码格式。数据文件相关联的一个头文件,包含辅助信息(元数据)像传感器参数,采集设置,空间维度,光谱波长和编码格式所需数据文件中的值的适当的表示。

高光谱图像处理,从数据文件读取的值排列成一个三维(3 d)的形式米——- - - - - -N——- - - - - -C,在那里米和N获得数据的空间维度,C是光谱波长的光谱维度指定数量收购期间使用。因此,您可以考虑三维数组作为一组二维(2 d)不同波长的单色图像捕获。这组被称为高光谱数据立方体或数据立方体。

的超立方体函数构造多维数据集的数据读取的数据文件和元数据信息相关的头文件。的超立方体函数创建一个超立方体对象并存储数据立方体,光谱波长,其属性的元数据。您可以使用超立方体对象作为输入所有其他功能图像处理工具箱™高光谱影像库。

高光谱数据立方体和彩色化

数据立方体的颜色表示

想象和理解被拍摄的对象,它是有用的代表数据立方体是一个二维图像通过使用配色方案。数据立方体的颜色表示使您能够直观地检查数据和决策支持。金宝app您可以使用彩色化函数计算红绿蓝(RGB),假彩色,彩色红外线(CIR)表示的数据立方体。

  • RGB颜色方案使用红、绿、蓝光谱带反应生成二维图像的高光谱数据立方体。RGB颜色方案带来自然的外观,但导致重大损失的微妙的信息。

  • 假计划使用任意数量的组合乐队除了可见的红色,绿色和蓝色光谱波段。使用假彩色表示可视化乐队在可见光谱的光谱响应。假彩色方案有效地捕获不同的信息在所有高光谱数据的光谱波段。

  • 圆形的配色方案使用近红外光谱谱带的范围。的圆表示高光谱数据立方体是特别有用的显示和分析植被地区的数据立方体。

预处理

高光谱成像传感器通常有高光谱分辨率和空间分辨率较低。的空间和光谱特征获得的高光谱数据的特点是它的像素。每个像素的值是一个向量指定位置的强度(x,y)z不同的乐队。向量被称为像素光谱,它定义了像素的光谱特征位于(x,y)。像素光谱特性在高光谱数据分析很重要。但是这些像素的光谱扭曲由于传感器噪声等因素,大气效应和低分辨率。

数据立方体和像素的光谱

您可以使用denoiseNGMeet函数来消除噪声从高光谱数据通过使用非本地与全球的方法。

提高空间分辨率的高光谱数据,您可以使用图像融合方法。融合方法结合信息从低分辨率高光谱数据和高分辨率多光谱数据或全色图像相同的场景。这种方法也被称为锐化或pansharpening在高光谱图像分析。Pansharpening专门指的是高光谱和全色数据之间的融合。您可以使用sharpencnmf函数使用耦合non-matrix磨高光谱数据分解方法。

为了弥补大气影响,您必须首先调整像素值,数字数字(DNs)。你必须进行预处理的数据校准DNs使用辐射和大气校正方法。这个过程提高像素光谱的解释,并提供更好的结果,当你分析多个数据集,在一个分类问题。信息辐射校正和大气校正方法高光谱数据校正。

另一个预处理步骤,在所有高光谱成像应用程序是很重要的降维。乐队在高光谱数据的大量增加处理数据立方体的计算复杂度。乐队的连续的自然图像结果在乐队的冗余信息。高光谱图像中相邻组合有很高的相关性,从而导致谱冗余。您可以删除冗余decorrelating乐队乐队的图片。流行的方法降低了光谱数据立方体的维度包括乐队选择和正交变换。

  • 的波段选择方法使用正交空间预测找到幽灵似地不同的数据立方体和信息最丰富的乐队。使用selectBands和removeBands函数找到最丰富乐队和删除一个或多个乐队,分别。

  • 正交变换如主成分分析(PCA)和最大噪声分数(延长),decorrelate乐队信息和发现乐队的主要组件。

    PCA变换数据较低维空间中,发现主成分向量的方向输入乐队的最大差异。的主要组件是降序的总方差解释道。

    延长计算最大化应用的主成分,而不是方差。延长变换尤其有效地从嘈杂的乐队中主成分图像。主成分较低的乐队是可怕地不同的乐队带间的相关性。

    的hyperpca和hypermnf功能降低的光谱维度数据立方体分别用PCA和延长变换。您可以使用像素光谱来源于降低了高光谱数据立方体数据分析。

光谱分离

高光谱图像,每个像素强度值记录在指定的区域像素的光谱特征属于。该地区可以均匀的表面或者异构表面。的像素属于一个均匀的表面被称为纯像素。这些纯像素构成endmembers高光谱数据。

异构表面的组合两个或两个以上不同的均匀的表面。像素属于异构表面被称为混合像素。混合像素的光谱特征的组合两个或两个以上endmember签名。这种空间异质性低主要是由于高光谱传感器的空间分辨率。

光谱分离

光谱分离是一个过程,分解混合像元的光谱特征组成endmembers。光谱分离过程包括两个步骤:

  1. Endmember提取——光谱endmembers突出特性的高光谱数据,可用于高效的光谱分离,分割,高光谱图像的分类。基于凸几何方法,比如像素纯度指数(PPI),快速迭代像素纯度指数(FIPPI), N-finder (N-FINDR)是一些endmember提取的有效方法。

    • 使用ppi函数来估计endmembers利用PPI的方法。PPI的方法项目像素光谱正交空间和确定极值endmembers像素在投影空间。这是一种价值的方法,结果依赖于随机生成的单位向量正交投影。改善的结果,你必须增加随机单位向量投影,可以计算昂贵。

    • 使用fippi函数来估计endmembers利用FIPPI方法。FIPPI方法是一个迭代的方法,它使用一个自动目标生成过程估计初始的单位向量正交投影。算法收敛速度比PPI方法和识别endmembers截然不同。

    • 使用nfindr函数来估计endmembers利用N-FINDR方法。N-FINDR是一种迭代方法,构造一个简单使用像素光谱。这种方法假定形成的单纯形的体积endmembers大于任何其他像素的组合定义的体积。的一组像素签名的单形的体积高endmembers。

  2. 丰富的地图估计——鉴于endmember签名,它是有用的估计的零数endmember出现在每个像素。您可以为每个endmember生成丰富的地图,这代表endmember光谱的分布图像。你可以标记一个像素属于一个endmember光谱通过比较所有的丰度图得到的像素值。

    使用estimateAbundanceLS函数来估计每个endmember光谱的丰度图。

光谱匹配

解释像素光谱通过执行光谱匹配.Spectral匹配识别的类endmember材料通过比较与一个或多个参考光谱的光谱。纯光谱的参考数据由签名的材料,也可用光谱库。

使用readEcostressSig函数来读取参考光谱文件从ECOSTRESS光谱库。然后,您可以计算ECOSTRESS库中的文件之间的相似光谱和endmember光谱使用spectralMatch函数。

几何特征和概率分布值的像素光谱光谱匹配的重要特征。你可以提高匹配效率结合几何和概率特征。这样的组合措施歧视能力高于个体的方法,更适合识别可怕地相似的目标(intra-species)。此表列出了可用的函数计算光谱匹配分数。

方法 描述
山姆 光谱角制图者(SAM)匹配两个基于几何特征光谱。山姆测量两个光谱计算夹角签名。小角代表两个光谱之间的最佳匹配。这个措施是对照明的变化。
sid 光谱信息散度(SID)匹配两个光谱根据概率分布。这个方法是有效识别混合像素光谱。低SID光谱相似性意味着更高的价值。
sidsam SID和山姆。SID-SAM方法相比具有更好的辨别能力SID单独和山姆。最低分数意味着更高的光谱相似性。
jmsam 结合Jeffries-Matusita (JM)距离和山姆。低意味着更高的光谱相似性距离值。这个方法特别有效识别幽灵似地接近目标。
ns3 归一化光谱相似性得分(NS3),它结合了欧氏距离和山姆。低意味着更高的光谱相似性距离值。该方法具有较高的鉴别能力,但需要广泛的参考数据精度高。

应用程序

高光谱图像处理应用包括分类、目标检测、异常检测和材料分析。

另请参阅

应用程序

功能

相关的话题