Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

ハイパースペクトル イメージ処理入門

ハイパースペクトル イメージングでは、さまざまな波長においてオブジェクトをイメージ化することにより、そのオブジェクトの空間特性およびスペクトル特性を測定します。この波長の範囲は可視スペクトルを超え、紫外線 (UV) から長波長赤外線 (LWIR) の波長までを含んでいます。最も良く知られているのは可視、近赤外、および中赤外の波長域です。ハイパースペクトル イメージ センサーは、指定されたスペクトル範囲内で連続した狭い波長を持つ複数のイメージを取得します。それぞれの波長には、さらに微細で詳細な情報が含まれています。

ハイパースペクトル イメージ処理では、ハイパースペクトル イメージに含まれる情報の表現、解析、および解釈を行います。

ハイパースペクトル データの表現

ハイパースペクトル イメージ センサーの測定値は、band sequential (BSQ)、band-interleaved-by-pixel (BIP)、または band-interleaved-by-line (BIL) の各エンコード形式を使用することによりバイナリ データ ファイルに格納されます。このデータ ファイルは、データ ファイル内の値を正しく表現するために必要なセンサー パラメーター、撮影設定、空間次元、スペクトル波長、エンコード形式などの補助的情報 (メタデータ) を格納するヘッダー ファイルに関連付けられています。

ハイパースペクトル イメージ処理の場合、データ ファイルから読み取られた値は 3 次元 (3-D) 配列 (M x N x C) に配置されます。ここで、M および N は取得したデータの空間次元、C は取得中に使用されるスペクトル波長の数を指定する空間次元です。したがって、3 次元配列を、さまざまな波長で取得した一連の 2 次元 (2-D) 単色イメージとして考えることができます。このセットは、"ハイパースペクトル データ キューブ" または "データ キューブ" と呼ばれます。

関数 hypercube は、データ ファイルおよび関連するヘッダー ファイル内のメタデータ情報を読み取ることでデータ キューブを作成します。関数 hypercube は、hypercube オブジェクトを作成し、そのプロパティにデータ キューブ、スペクトル波長、およびメタデータを格納します。hypercube オブジェクトは、Image Processing Toolbox™ Hyperspectral Imaging Library の他のすべての関数に対する入力として使用できます。

Hyperspectral data cube and colorization

データ キューブのカラー表現: イメージ化されているオブジェクトを可視化および把握するには、配色を使用してデータ キューブを 2 次元イメージとして表現することが有効です。データ キューブのカラー表現を使用すると、データを視覚的に検査し、意思決定を支援できます。関数 colorize を使用すると、データ キューブの赤-緑-青 (RGB)、フォールス カラー、およびカラー赤外 (CIR) 表現を計算できます。

  • RGB 配色では、赤、緑、および青のスペクトル バンド応答を使用してハイパースペクトル データ キューブの 2 次元イメージを生成します。RGB 配色では自然な外観が得られますが、微細な情報が大幅に失われます。

  • フォールス カラー配色では、赤、緑、および青の可視スペクトル バンド以外の任意の数のバンドを組み合わせて使用します。フォールス カラー表現を使用すると、可視スペクトル外のバンドのスペクトル応答を可視化できます。フォールス カラー配色は、ハイパースペクトル データのすべてのスペクトル バンドにわたって特徴的な情報を効率的に取得します。

  • CIR 配色では NIR 範囲のスペクトル バンドを使用します。ハイパースペクトル データ キューブの CIR 表現はデータ キューブの植生範囲を表示および分析する場合に特に有効です。

前処理

ハイパースペクトル データの空間特性とスペクトル特性は、ピクセルによって特徴付けられます。各ピクセルは、z 個の異なるバンドにおける場所 (x, y) での強度を示す値のベクトルです。このベクトルは "ピクセル スペクトル" と呼ばれ、(x, y) にあるピクセルのスペクトル シグネチャを定義します。ピクセル スペクトルはハイパースペクトル データ分析において重要な特徴です。

Data Cube and Pixel Spectra

ピクセル値はキャリブレーションなしのデジタル番号 (DN)、またはキャリブレーションありの放射輝度値および反射率値となる場合があります。リモート センシング アプリケーションの場合、重要な前処理手順として、ラジオメトリック補正法および大気補正法を使用して DN をキャリブレーションします。この処理ではピクセル スペクトルの解釈が改善され、分類問題にあるような複数のデータセットを解析する場合に良い結果が得られます。

どのハイパースペクトル イメージング アプリケーションでも重要となる前処理手順として、その他に "次元削減" があります。ハイパースペクトル データ内の多くの帯域では、データ キューブで処理を行うと計算量が増大します。バンド イメージは連続しているため、帯域にまたがる冗長な情報が示されます。ハイパースペクトル イメージの隣接帯域には高い相関性があるため、スペクトルが冗長になります。バンド イメージを無相関化することにより、冗長なバンドを取り除くことができます。データ キューブのスペクトル次元を削減するための一般的なアプローチとしては、帯域選択や直交変換などがあります。

  • 帯域選択アプローチでは、直交空間投影を利用してデータ キューブ内でスペクトル的に異なる、最も情報量の多い帯域を見つけます。最も情報量の多い帯域を見つけ、指定した帯域を取り除くための関数 selectBands および removeBands をそれぞれ使用します。

  • 主成分分析 (PCA) や最大ノイズ フラクション (MNF) などの直交変換は帯域情報を無相関化し、主成分バンドを見つけます。PCA はデータをより低い次元の空間に変換し、入力帯域の最大分散に沿った方向の主成分を見つけ出します。この主成分は前述の全分散の量の降順で並べられます。一方、MNF は、分散ではなく S/N 比を最大にする主成分を計算します。MNF 変換はノイズの多いバンド イメージから主成分を抽出する場合に特に有効です。主成分バンドは、帯域間相関の低いスペクトル的に異なる帯域です。

    関数 hyperpca および hypermnf は、PCA 変換と MNF 変換をそれぞれ使用してデータ キューブのスペクトル次元を削減します。削減後のデータ キューブから抽出されたピクセル スペクトルはハイパースペクトル データの解析に使用されます。

スペクトル アンミキシング

ハイパースペクトル イメージでは、ピクセルごとに記録された強度値が、そのピクセルが属する領域のスペクトル特性を示しています。この領域は、均一表面となる場合も不均一表面となる場合もあります。均一表面に属するピクセルは "ピュア ピクセル" と呼ばれます。こうしたピュア ピクセルは、ハイパースペクトル データの "エンドメンバー" を構成します。

不均一表面は 2 つ以上の異なる均一表面を組み合わせたものです。不均一表面に属するピクセルは "ミクセル" と呼ばれます。ミクセルのスペクトル シグネチャは 2 つ以上のエンドメンバー シグネチャを組み合わせたものです。この空間的な異質性は、主にハイパースペクトル センサーの空間分解能が低いことによるものです。

Spectral unmixing

"スペクトル アンミキシング" とは、ミクセルのスペクトル シグネチャをその構成エンドメンバーに分解する処理のことです。スペクトル アンミキシング処理には次の 2 つの手順が含まれます。

  1. エンドメンバー抽出: エンドメンバーのスペクトルは顕著な特徴で、ハイパースペクトル イメージを効果的にスペクトル アンミキシング、セグメンテーション、および分類するために使用されます。効果的なエンドメンバー抽出アプローチには、Pixel-Purity Index (PPI)、Fast Iterative Pixel Purity Index (FIPPI)、N-FINDR などの凸幾何学ベースのアプローチがあります。

    • 関数 ppi を使用すると、PPI アプローチによりエンドメンバーを推定します。ppi 法ではピクセル スペクトルを直交空間に投影し、投影先空間内の極値ピクセルをエンドメンバーとして識別します。これは非反復アプローチであり、その結果は直交投影に使用するランダム単位ベクトルによって異なります。より適切な結果を得るには、投影のためのランダム単位ベクトルが大量に必要となるため、この方法の計算コストは高くなります。

    • 関数 fippi を使用すると、FIPPI アプローチによりエンドメンバーを推定します。fippi 法は反復アプローチであり、自動ターゲット生成処理を使用して直交投影のための初期の単位ベクトル セットを推定します。このアルゴリズムは収束が速く、一意のエンドメンバーを識別します。

    • 関数 nfindr を使用すると、N-FINDR 法によりエンドメンバーを推定します。N-FINDR は、ピクセル スペクトルを使用することでシンプレックスを構築する反復アプローチです。この方法は、エンドメンバーにより構成されるシンプレックスのボリュームが、他のピクセルの組み合わせで定義されるその他のボリュームよりも大きいことを前提とします。したがって、シンプレックスのボリュームが大きいピクセル シグネチャのセットがエンドメンバーとして選択されます。

  2. 存在量マップの推定: エンドメンバーのシグネチャが与えられた場合は、各ピクセルに存在するエンドメンバーごとのフラクション量を推定することが有効です。エンドメンバーごとに存在量マップが生成されますが、これはイメージ内のエンドメンバー スペクトルの分布を表しています。そのピクセルについて取得したすべての存在量マップ値を比較することで、エンドメンバー スペクトルに属する各ピクセルにラベルを付けることができます。

    関数 estimateAbundanceLS を使用して、エンドメンバー スペクトルごとの存在量マップを推定します。

スペクトル マッチング

スペクトル マッチングはピクセル スペクトルを解釈する際に重要となる手順です。スペクトル マッチングを実行すると、エンドメンバー物質のスペクトルを 1 つ以上の基準スペクトルと比較することで、その物質の種類を同定できます。基準データは、スペクトル ライブラリとして使用できる物質のピュア スペクトル シグネチャです。

関数 readEcostressSig を使用して、ECOSTRESS スペクトル ライブラリから基準スペクトル ファイルを読み取ります。すると、関数 spectralMatch を使用して、ECOSTRESS ライブラリ スペクトル内のファイルとエンドメンバー スペクトルの類似性を計算できます。また、関数 sam および sid を使用して、同じ長さの 2 つのスペクトル シグネチャを照合することもできます。

用途

ハイパースペクトル イメージ処理の重要な適用例に、分類とターゲット検出があります。アンミキシングとスペクトル マッチングにより、ハイパースペクトル イメージ内の各ピクセルをセグメント化し、分類できます。例については、最大存在量分類を使用したハイパースペクトル イメージ解析およびライブラリ シグネチャと SAM を使用したハイパースペクトル イメージの分類を参照してください。

同様に、スペクトル シグネチャを照合することでターゲット検出を実行できます。例については、スペクトル シグネチャ マッチングを使用したターゲットの検出を参照してください。

また、ハイパースペクトル イメージ処理は異常検出と植生解析にも広く利用されます。

  • ハイパースペクトル イメージ内の異常を検出するには、関数 anomalyRX を使用します。

  • 植被率を測定し、植生の健康状態を解析するには、関数 ndvi を使用します。

参考

アプリ

関数

関連するトピック