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。

使用光谱角映射器（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频谱和从远心频谱库读取的纯频谱签名之间的光谱匹配得分来对测试数据中的每个像素进行分类。此示例使用Jasper Ride DataSet的数据样本作为测试数据。测试数据包含四个终点，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)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。

通过使用光谱匹配方法检测高光谱图像中的已知目标。已知目标材料的纯光谱特征用于检测和定位高光谱图像中的目标。在该示例中，您将使用光谱角映射器（SAM）光谱匹配方法在高光谱图像中检测人造屋顶材料（已知目标）。屋顶材料的纯光谱特征从生态谱图集读取，用作光谱匹配的参考光谱。将数据立方体中的所有像素的光谱签名与参考光谱进行比较，并且最佳匹配像素谱被分类为属于目标材料。

通过对归一化植被指数(NDVI)图进行交互阈值化，识别高光谱图像中的植被区域类型。高光谱数据集的NDVI图反映了高光谱数据各区域的植被密度。利用高光谱数据立方体的近红外(NIR)和可见光(R)波段图像计算NDVI值。