通过执行最大丰度分类（MAC）来识别高光谱图像中的不同区域。丰度图表征了在高光谱图像中末端成员的分布。图像中的每个像素是纯形像素或混合像素。每个像素获得的一组丰度值表示该像素中存在的每个末端成员的百分比。在此示例中，您将通过找到每个像素的最大丰度值并将其分配给关联的Endmember类中的高光谱图像中的像素分类。

通过使用光谱角度映射器（SAM）分类算法在高光谱图像中对像素进行分类。该算法通过计算像素的光谱和纯频谱签名之间的光谱匹配分数在测试数据中对每个像素进行了分类。此示例使用Jasper Ridge数据集中的数据样本作为测试数据。测试数据包含四个末端，由道路，土壤，水和树木组成。在此示例中，您将：

使用自定义光谱卷积神经网络（CSCNN）进行分类进行高光谱图像分类。

确定高光谱图像中存在的末端材料的类别。末端成员是纯光谱特征，表示属于单个表面材料的像素的反射特性。现有的末端提取或识别算法提取或识别高光谱图像中的纯像素。但是，这些技术并未确定最终成员频谱所属的材料名称或类。在此示例中，您将提取末日的签名，然后使用光谱匹配，在高光谱图像中分类或识别末日材料的类别。

使用光谱匹配方法在高光谱图像中检测已知目标。已知目标材料的纯光谱特征用于检测和定位目标。在此示例中，您将使用光谱角映射器（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）。屋顶材料的纯光谱特征是从Ecostrals Spectral库中读取的，并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，最佳匹配像素谱分为属于目标材料。

Identify the types of vegetations regions in a hyperspectral image through interactive thresholding of a normalized difference vegetation index (NDVI) map. The NDVI map of a hyperspectral dataset indicates the density of vegetation in various regions of the hyperspectral data. The NDVI value is computed using the near-infrared (NIR) and visible red (R) spectral band images from the hyperspectral data cube.