主要内容

高光谱图像处理入门

高光谱成像通过在不同波长成像来测量物体的空间和光谱特征。波长范围超出可见光谱，涵盖从紫外线(UV)到长波红外(LWIR)波长。最常用的是可见光、近红外和中红外波段。高光谱成像传感器在指定的光谱范围内获取多个窄且连续波长的图像。每一张图片都包含了更微妙和详细的信息。

高光谱图像处理涉及表示，分析和解释Hyperspectral图像中包含的信息。

代表高光谱数据

高光谱成像传感器测量的值通过带序(BSQ)、像素带状交错(BIP)或行带状交错(BIL)编码格式存储到二进制数据文件中。数据文件与头文件相关联，头文件包含辅助信息(元数据)，如传感器参数、采集设置、空间维度、光谱波长和数据文件中值的正确表示所需的编码格式。

对于高光谱图像处理，从数据文件中读取的值被排列成三维(3-D)的形式m——- - - - - -N——- - - - - -C,在那里m和N是所获取数据的空间尺寸，C是光谱尺寸，指定在采集过程中使用的光谱波长的数量。因此，您可以将3-D阵列看作是一组在不同波长捕获的2-D单色图像。这个集合被称为高光谱数据立方体或者数据多维数据集．

这hypercube.函数通过读取相关头文件中的数据文件和元数据信息来构造数据立方体。这hypercube.功能创建A.hypercube.对象并存储数据立方体、光谱波长及其属性的元数据。你可以使用hypercube.对象中的所有其他函数的输入图像处理工具箱™高光谱成像库．

高光谱数据立方体和着色

数据立方体的颜色表示

为了可视化和理解正在成像的对象，通过使用颜色方案将数据多维数据集表示为2-D图像是有用的。数据多维数据集的颜色表示使您可以在视觉上检查数据并支持决策。万博1manbetx你可以使用彩色化函数来计算数据立方体的红-绿-蓝(RGB)、伪色和色-红外(CIR)表示。

  • RGB颜色方案使用红、绿、蓝光谱带响应来生成高光谱数据立方体的二维图像。RGB颜色方案带来了自然的外观，但导致了细微信息的重大损失。

  • 伪色方案使用除了可见的红、绿、蓝光谱波段以外的任意数量波段的组合。使用假颜色表示法来可视化可见光谱以外的波段的光谱响应。伪彩色方案有效地捕获了高光谱数据的所有光谱波段的不同信息。

  • CIR配色方案在NIR范围内使用光谱带。高光谱数据立方体的CIR表示在显示和分析数据立方体的植被区域方面特别有用。

预处理

高光谱成像传感器通常具有高光谱分辨率和低空间分辨率。所获取的高光谱数据的空间和光谱特性是其像素的特征。每个像素是指定位置的强度的值矢量（X那y） 在Z.不同的乐队。这个向量被称为像素谱，它定义了位于（（）的像素的光谱特征（X那y）.像元光谱是高光谱数据分析中的重要特征。但由于传感器噪声、大气影响和低分辨率等因素，这些像素光谱会发生畸变。

数据立方体和像素光谱

你可以使用denoisengmeet.通过使用非本地符合全局方法，可以使用超细数据从高光谱数据中消除噪声的功能。

为了增强超光谱数据的空间分辨率，可以使用图像融合方法。融合方法将来自低分辨率高光谱数据的信息与同一场景的高分辨率多光谱数据或全像图像组合。这种方法也被称为锐化或者pansharpening在高光谱图像分析中。Pansharpening专门是指高光谱和全像数据之间的融合。你可以使用sharpencnmf利用耦合非矩阵分解方法锐化高光谱数据的函数。

为了补偿大气效果，必须首先校准像素值，即数字(DNs)。您必须通过使用辐射和大气校正方法校准DNs来对数据进行预处理。这个过程改进了像素光谱的解释，并在分析多个数据集(如分类问题)时提供更好的结果。有关辐射校正和大气校正方法的资料，请参阅高光谱数据校正．

在所有高光谱成像应用中都很重要的另一个预处理步骤是降维．高光谱数据中的大量波段增加了数据立方体处理的计算复杂度。波段图像的连续特性导致了跨波段的冗余信息。高光谱图像中相邻波段相关性高，导致光谱冗余。你可以去除冗余的波段通过解除相关的波段图像。常用的降低数据立方体光谱维数的方法包括波段选择和正交变换。

  • 这乐队选择方法使用正交空间投影来找到数据立方体中光谱不同和信息最丰富的波段。使用选择频带和删除带分别用于查找最有信息的频带和删除一个或多个频带的函数。

  • 正交变换如主成分分析(PCA)和最大噪声分数(MNF)，解相关的频带信息，找到主成分频带。

    PCA将数据转换为较低的维度空间，并沿着输入频带的最大差异找到具有它们方向的主组件向量。主要组成部分处于解释的总方差量的降序。

    MNF计算最大信噪比的主成分，而不是方差。MNF变换在从带噪图像中提取主分量方面特别有效。主成分波段是光谱上明显的波段，波段间相关性低。

    这hyperpca和hypermnf函数分别使用PCA和MNF变换降低数据立方体的光谱维数。您可以使用由简化数据立方体导出的像素光谱进行高光谱数据分析。

光谱分离

在高光谱图像中，每个像素处记录的强度值代表了该像素所在区域的光谱特征。该区域可以是均匀表面或非均匀表面。属于均匀表面的像素称为纯像素．这些纯像素构成了endmembers高光谱数据。

非均匀表面是两个或多个不同的均匀表面的组合。属于异质表面的像素称为混合像素．混合像素的光谱特征是两个或多个端元特征的组合。这种空间异质性主要是由于高光谱传感器的空间分辨率较低。

光谱解密

光谱解密是将混合像素的光谱特征分解为它们的组成端元的过程。光谱分离过程包括两个步骤:

  1. Endmember提取—端元的光谱是高光谱数据中的显著特征，可用于高光谱图像的高效光谱分解、分割和分类。基于凸几何的方法，如像素纯度指数(PPI)、快速迭代像素纯度指数(FIPPI)和N-finder (N-FINDR)是一些有效的端元提取方法。

    • 使用PPI.函数使用PPI方法估计端元。PPI方法将像素光谱投影到一个正交空间，并将投影空间中的极值像素识别为端元。这是一种非迭代的方法，其结果依赖于正交投影生成的随机单位向量。为了改进结果，您必须增加用于投影的随机单位向量，这在计算上可能非常昂贵。

    • 使用fippi通过使用Fippi方法来估算终端的功能。Fippi方法是一种迭代方法，它使用自动目标生成过程来估计正交投影的初始单元向量集。该算法会收敛于PPI方法的速度快，并识别彼此不同的终端。

    • 使用nfindr使用N-FindR方法来估算终端用电器的功能。n-findr是一种迭代方法，它通过使用像素光谱来构造单独的。该方法假设由终端中形成的单位的体积大于由任何其他像素组合定义的体积。Simplex的音量高的像素签名集是终端。

  2. 丰富地图估计- 鉴于终止签名，估计每个像素中存在的每个端部的分数量是有用的。您可以为每个endmemer生成丰富的映射，该映射表示图像中的EndMember Spectra的分发。您可以通过比较为该像素获得的所有丰度映射值来标记像素作为属于终端节目光谱的像素。

    使用estimateAbundanceLS估计每个终点谱的丰富地图的功能。

光谱匹配

通过执行来解释像素光谱光谱匹配光谱匹配通过将端元材料的光谱与一个或多个参考光谱进行比较来确定该材料的类别。参考数据由材料的纯光谱特征组成，可作为光谱库使用。

使用readEcostressSig函数从ECOSTRESS光谱库读取参考光谱文件。然后，您可以计算文件之间的相似性ECOSTRESS库谱和端元谱使用spectralMatch函数。

像素光谱的几何特征和概率分布值是光谱匹配的重要特征。结合几何特征和概率特征可以提高匹配效率。这种组合方法比单独方法具有更高的识别能力，更适合于识别光谱相似的目标(种内)。该表列出了计算谱匹配分数可用的函数。

方法 描述
山姆 光谱角映射器（SAM）根据其几何特征匹配两个光谱。SAM测量计算两个光谱签名之间的角度。较小的角度表示两个光谱之间的最佳匹配。这种措施对照明变化不敏感。
sid 光谱信息发散(SID)是根据两个光谱的概率分布来匹配的。该方法是一种有效的混合像素光谱识别方法。低SID值表明两个光谱具有较高的相似性。
Sidsam. Sid和Sam的组合。与单独的SID和SAM相比，SID-SAM方法具有更好的辨别能力。最小分数意味着两个光谱之间的相似程度更高。
jmsam Jeffries-Matusita（JM）距离和山姆的组合。低距离值意味着两个光谱之间的相似性更高。该方法特别有效地辨别光谱关闭目标。
ns3 标准化的光谱相似度分数（NS3），结合了欧几里德距离和山姆。低距离值意味着两个光谱之间的相似性更高。该方法具有高的辨别功能，但需要广泛的参考数据以获得高精度。

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。

也可以看看

应用

职能

相关话题

图像处理工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书