この例では、最大存在量分類 (MAC) を実行して、ハイパースペクトル イメージ内のさまざまな領域を識別する方法を示します。存在量マップは、ハイパースペクトル イメージ全体でエンドメンバー分布の特徴を表すものです。イメージ内の各ピクセルは、"ピュア ピクセル" の場合や "ミクセル" の場合があります。各ピクセルについて取得した存在量値のセットは、そのピクセルに存在する各エンドメンバーの割合を表しています。この例では、ピクセルごとの最大存在量値を見つけ、それを関連するエンドメンバー クラスに割り当てることでハイパースペクトル イメージ内のピクセルを分類します。

この例では、スペクトル角マッパー (SAM) 分類アルゴリズムを使用して、ハイパースペクトル イメージ内のピクセルを分類する方法を示します。このアルゴリズムは、ピクセルのスペクトルと、ECOSTRESS スペクトル ライブラリから読み取ったピュア スペクトル シグネチャの間のスペクトル一致スコアを計算して、テスト データ内の各ピクセルを分類します。この例では、Jasper Ridge データセットのデータ サンプルをテスト データとして使用します。テスト データには、道路、土壌、水、および樹木から構成される 4 つの潜在エンドメンバーが格納されています。この例では、次の作業を行います。

この例では、分類用のカスタム スペクトル畳み込みニューラル ネットワーク (CSCNN) を使用してハイパースペクトル イメージを分類する方法を説明します。

Preprocess a hyperspectral image and classify it using a support vector machine (SVM) classifier. To run this example, you must have a license for Statistics and Machine Learning Toolbox™.

この例では、ハイパースペクトル イメージ内に存在するエンドメンバー物質のクラスを同定する方法を示します。エンドメンバーは、1 つの表面物質に属するピクセルの反射率特性を示すピュア スペクトル シグネチャです。既存のエンドメンバー抽出または同定アルゴリズムでは、ハイパースペクトル イメージ内のピュア ピクセルを抽出または同定します。ただし、これらの手法でエンドメンバー スペクトルが属する物質名またはクラスは同定されません。この例では、エンドメンバー シグネチャを抽出してから、スペクトル マッチングを使用してハイパースペクトル イメージ内のエンドメンバー物質のクラスを分類または同定します。

この例では、スペクトル マッチング法を使用して、ハイパースペクトル イメージ内の既知のターゲットを検出する方法を示します。ハイパースペクトル イメージ内のターゲットの検出と位置特定には、既知のターゲット物質のピュア スペクトル シグネチャを使用します。この例では、スペクトル角マッパー (SAM) スペクトル マッチング法を使用して、ハイパースペクトル イメージ内の人工の屋根材 (既知のターゲット) を検出します。屋根材のピュア スペクトル シグネチャを ECOSTRESS スペクトル ライブラリから読み取り、スペクトル マッチング用の基準スペクトルとして使用します。データ キューブ内のすべてのピクセルのスペクトル シグネチャを基準スペクトルと比較し、最適に一致するピクセルのスペクトルをターゲット物質に属するものとして分類します。

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.

Identify water and vegetation regions in a Landsat 8 multispectral image and spatially reference the image.