La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Procesamiento de imágenes hiperespectrales

Importe, exporte, procese y visualice datos hiperespectrales

La biblioteca Hyperspectral Imaging Library de Image Processing Toolbox™ proporciona funciones y herramientas de MATLAB^® para procesar y visualizar imágenes hiperespectrales.

Puede usar las funciones de esta biblioteca para leer, escribir y procesar datos hiperespectrales captados con sensores de este tipo en distintos formatos de archivo. La biblioteca admite el formato nacional de transmisión de imágenes (NITF), el formato del Entorno de Visualización de Imágenes (ENVI), el formato de archivo de imagen etiquetado (TIFF) y el formato de extensión de metadatos de texto (MTL).

La biblioteca presenta una serie de algoritmos para la extracción de miembros finales, la estimación de mapas de abundancia, la corrección radiométrica y atmosférica, la reducción de dimensionalidad, la selección de bandas, la correspondencia espectral y la detección de anomalías.

La app Hyperspectral Viewer permite leer datos hiperespectrales, visualizar imágenes de bandas individuales y sus histogramas, crear una gráfica espectral de un píxel o una región en un cubo de datos hiperespectral, generar representaciones en color diferente o en color falso de imágenes hiperespectrales y visualizar metadatos.

Para analizar imágenes hiperespectrales, descargue la biblioteca Hyperspectral Imaging Library de Image Processing Toolbox desde Add-On Explorer. Para obtener más información sobre la descarga de complementos, consulte Descargar y administrar complementos.

Apps

Hyperspectral Viewer

Visualizar datos hiperespectrales (desde R2020a)

Funciones

expandir todo

Explorar, analizar y visualizar

Leer y escribir

`hypercube`	Read hyperspectral data (desde R2020a)
`enviwrite`	Write hyperspectral data to ENVI file format (desde R2020a)
`enviinfo`	Read metadata from ENVI header file (desde R2020a)

Seleccionar y eliminar bandas

`selectBands`	Select most informative bands (desde R2020a)
`removeBands`	Remove spectral bands from data cube (desde R2020a)

Seleccionar ROI

`assignData`	Assign new data to hyperspectral data cube (desde R2020a)
`cropData`	Crop regions-of-interest (desde R2020a)

Transformar el color

colorize Estimate color image of hyperspectral data (desde R2020a)

Filtrar y mejorar

`denoiseNGMeet`	Denoise hyperspectral images using non-local meets global approach (desde R2020b)
`sharpencnmf`	Sharpen hyperspectral data using coupled nonnegative matrix factorization (CNMF) method (desde R2020b)

Corrección de datos

Calibración radiométrica

`dn2radiance`	Convert digital number to radiance (desde R2020b)
`dn2reflectance`	Convert digital number to reflectance (desde R2020b)
`radiance2Reflectance`	Convert radiance to reflectance (desde R2020b)

Corrección atmosférica

`correctOOB`	Correct out-of-band effect using sensor spectral response (desde R2020b)
`empiricalLine`	Empirical line calibration of hyperspectral data (desde R2020b)
`fastInScene`	Perform fast in-scene atmospheric correction (desde R2020b)
`flatField`	Apply flat field correction to hyperspectral data cube (desde R2020b)
`iarr`	Apply internal average relative reflectance (IARR) correction to hyperspectral data cube (desde R2020b)
`logResiduals`	Apply log residual correction to hyperspectral data cube (desde R2020b)
`rrs`	Compute remote sensing reflectance (desde R2020b)
`subtractDarkPixel`	Subtract dark pixel value from hyperspectral data cube (desde R2020b)
`sharc`	Perform atmospheric correction using satellite hypercube atmospheric rapid correction (SHARC) (desde R2020b)

Corrección espectral

`smileMetric`	Compute spectral smile metrics of hyperspectral data (desde R2021a)
`reduceSmile`	Reduce spectral smile effect in hyperspectral data cube (desde R2020b)

Reducir la dimensionalidad

`hyperpca`	Principal component analysis of hyperspectral data (desde R2020a)
`hypermnf`	Maximum noise fraction transform of hyperspectral data (desde R2020a)
`inverseProjection`	Reconstruct data cube from principal component bands (desde R2020a)

Separación espectral

`ppi`	Extract endmember signatures using pixel purity index (desde R2020a)
`fippi`	Extract endmember signatures using fast iterative pixel purity index (desde R2020a)
`nfindr`	Extract endmember signatures using N-FINDR (desde R2020a)
`countEndmembersHFC`	Find number of endmembers (desde R2020a)
`estimateAbundanceLS`	Estimate abundance maps (desde R2020a)

Correspondencia espectral y detección de blancos

`readEcostressSig`	Read data from ECOSTRESS spectral library (desde R2020a)
`sam`	Measure spectral similarity using spectral angle mapper (desde R2020a)
`sid`	Measure spectral similarity using spectral information divergence (desde R2020a)
`jmsam`	Measure spectral similarity using Jeffries Matusita-Spectral Angle Mapper method (desde R2020b)
`sidsam`	Measure spectral similarity using spectral information divergence-spectral angle mapper hybrid method (desde R2020b)
`ns3`	Measure normalized spectral similarity score (desde R2020b)
`spectralMatch`	Identify unknown regions or materials using spectral library (desde R2020a)
`spectralIndices`	Compute hyperspectral indices (desde R2020b)
`customSpectralIndex`	Compute hyperspectral index using custom formula (desde R2023a)
`ndvi`	Normalized difference vegetation index (desde R2020a)
`anomalyRX`	Detect anomalies using Reed-Xiaoli detector (desde R2020a)

Segmentación

hyperSlic 2-D superpixel oversegmentation of hyperspectral images (desde R2023b)

Temas

Primeros pasos

Getting Started with Hyperspectral Image Processing
Basics of hyperspectral image processing.
Explore Hyperspectral Data in the Hyperspectral Viewer
This example shows how to explore hyperspectral data using the Hyperspectral Viewer app.
Hyperspectral Data Correction
Describes radiometric calibration, atmospheric correction, and spectral correction.
Spectral Indices
Describes spectral indices.
Support for Singleton Dimensions
Analysis of 1-D and 2-D spectral data using singleton hypercube.

Clasificación

Classify Hyperspectral Image Using Library Signatures and SAM
Classify pixels in a hyperspectral image by using the spectral angle mapper (SAM) classification algorithm.
Classify Hyperspectral Images Using Deep Learning
This example shows how to classify hyperspectral images using a custom spectral convolution neural network (CSCNN) for classification.
Classify Hyperspectral Image Using Support Vector Machine Classifier
This example shows how to preprocess a hyperspectral image and classify it using a support vector machine (SVM) classifier.

Identificación de una región

Target Detection Using Spectral Signature Matching
Detect a known target in the hyperspectral image by using the spectral matching method.
Identify Vegetation Regions Using Interactive NDVI Thresholding
Identify the types of vegetations regions in a hyperspectral image through interactive thresholding of a normalized difference vegetation index (NDVI) map.
Find Regions in Spatially Referenced Multispectral Image
This example shows how to identify water and vegetation regions in a Landsat 8 multispectral image and spatially reference the image.

Ejemplos destacados

Ship Detection from Sentinel-1 C Band SAR Data Using YOLOX Object Detection

Detect ships from Sentinel-1 C Band SAR Data using YOLOX object detection.

Abrir script en vivo

Change Detection in Hyperspectral Images

Detect changes in land cover from hyperspectral images taken at different times.

Abrir script en vivo

Manually Label ROIs in Multispectral Image

Manually select regions of interest (ROIs) from a multispectral image and save them in a shapefile.

Abrir script en vivo

Hyperspectral Image Analysis Using Maximum Abundance Classification

Identify different regions in a hyperspectral image by performing maximum abundance classification (MAC). An abundance map characterizes the distribution of an endmember across a hyperspectral image. Each pixel in the image is either a pure pixel or a mixed pixel. The set of abundance values obtained for each pixel represents the percentage of each endmembers present in that pixel. In this example, you will classify the pixels in a hyperspectral image by finding the maximum abundance value for each pixel and assigning it to the associated endmember class.

Abrir script en vivo

Endmember Material Identification Using Spectral Library

Identify the classes of endmember materials present in a hyperspectral image.

Abrir script en vivo

Automate Pixel Labeling of Hyperspectral Images Using Image Labeler

Load hyperspectral images into the Image Labeler (Computer Vision Toolbox) and automatically label pixels.

Abrir script en vivo