Наука о гиперспектральном дистанционном зондировании основана на взятии части электромагнитного спектра и разбиении его на множество диапазонов для теоретического анализа и вычислений. Комбинация всех длин волн в данной пространственной области создает полные спектральные сигнатуры для каждого конкретного материала в сцене. Основываясь на спектральной сигнатуре, полученной с помощью гиперспектральных изображений, можно более точно обнаруживать и идентифицировать объекты по сравнению с использованием информации только о трех диапазонах, предоставляемой RGB-камерой.

Использование различных методов классификации гиперспектральных изображений способствует различным отраслям применения, таким как:

●картография/мониторинг типов сельскохозяйственных культур;
●исследования землепользования;
●картирование лесного хозяйства;
●идентификация видов;
●исследование геологической структуры; определение границ наводнений;
●определение влажности почвы;
●картирование морского льда;
●картирование биомассы;
●идентификация особенностей океана;
●обнаружение утечек/разливов нефти и т.д.

Значения, измеренные датчиком гиперспектрального изображения, сохраняются в файле двоичных данных с использованием форматов кодирования с последовательным чередованием полос (BSQ), с чередованием полос по пикселям (BIP) или с чередованием полос по строкам (BIL). Файл данных связан с файлом заголовка, который содержит вспомогательную информацию (метаданные), такую как параметры датчика, настройки сбора данных, пространственные размеры, спектральные длины волн и форматы кодирования, которые требуются для правильного представления значений в файле данных.

Для обработки гиперспектральных изображений значения, считанные из файла данных, упорядочиваются в трехмерный (3-D) массив формы M-by-N-by-C, где M и N - пространственные размеры полученных данных, C - спектральный размер, определяющий количество спектральных длин волн, используемых во время сбора данных. Таким образом, вы можете рассматривать трехмерный массив как набор двумерных (2-D) монохроматических изображений, снятых на различных длинах волн. Этот набор известен как гиперспектральный куб данных или куб данных.

Функция гиперкуба создает куб данных, считывая файл данных и информацию метаданных в связанном файле заголовка. Функция гиперкуба создает объект и сохраняет куб данных, спектральные длины волн и метаданные в своих свойствах. Вы можете использовать объект в качестве входных данных для всех других функций

Обработка гиперспектральных изображений включает представление, анализ и интерпретацию информации, содержащейся в гиперспектральных изображениях. При предварительной обработке данные гиперспектрального дистанционного зондирования должны быть откалиброваны на предмет систематических дефектов оборудования и атмосферных воздействий, чтобы получить достоверную информацию.

Разработаны многочисленные подходы, реализующие анализ тонкой структуры спектров пикселей изображений и их классификацию на основе сравнения с эталонными спектральными кривыми.

Другой класс алгоритмов, наряду с этим, включает субпиксельный анализ с целью определения доли различных материалов в каждом участке земной поверхности, соответствующем элементу разрешения, путём линейного спектрального разделения.

Для повышения эффективности средств обработки данных предложены алгоритмы, основанные на выборе небольшого количества наиболее информативных каналов с последующим применением процедур классификации, разработанных для анализа мультиспектральных данных. Однако все перечисленные выше методы рассматривают обрабатываемые данные не как изображения, а как некоторые независимые спектральные измерения.

Датчики гиперспектрального изображения обычно имеют высокое спектральное разрешение и низкое пространственное разрешение. Пространственные и спектральные характеристики полученных гиперспектральных данных характеризуются его пикселями. Каждый пиксель представляет собой вектор значений, которые определяют интенсивности в определенном месте (x, y) в z различных диапазонах. Вектор известен как спектр пикселей, и он определяет спектральную сигнатуру пикселя, расположенного в (x, y). Пиксельные спектры являются важными характеристиками при анализе гиперспектральных данных. Но эти пиксельные спектры искажаются из-за таких факторов, как шум сенсора, атмосферные эффекты и низкое разрешение.

Чтобы улучшить пространственное разрешение гиперспектральных данных используются методы объединения изображений. Подход слияния объединяет информацию из гиперспектральных данных низкого разрешения с мультиспектральными данными высокого разрешения или панхроматическим изображением той же сцены. Этот подход также известен как повышение резкости или панорамирование при анализе гиперспектральных изображений. Панорамирование конкретно относится к слиянию гиперспектральных и панхроматических данных.

Чтобы компенсировать атмосферные эффекты, вы должны сначала откалибровать значения пикселей, которые являются цифровыми числами (DN). Вы должны предварительно обработать данные путем калибровки DN с использованием методов радиометрической и атмосферной коррекции. Этот процесс улучшает интерпретацию спектров пикселей и обеспечивает лучшие результаты при анализе нескольких наборов данных, как в задаче классификации. Для получения информации о радиометрической калибровке и методах атмосферной коррекции.

Другой шаг предварительной обработки, который важен во всех приложениях для получения гиперспектральных изображений, - это уменьшение размерности. Большое количество полос в гиперспектральных данных увеличивает вычислительную сложность обработки куба данных. Смежный характер изображений полос приводит к избыточной информации по полосам. Соседние полосы на гиперспектральном изображении имеют высокую корреляцию, что приводит к спектральной избыточности. Вы можете удалить лишние полосы, декоррелировав изображения полос. Популярные подходы к уменьшению спектральной размерности куба данных включают выбор диапазона и ортогональные преобразования.

Подход с выбором полосы использует проекции ортогонального пространства для поиска спектрально различных и наиболее информативных полос в кубе данных.

Ортогональные преобразования, такие как анализ главных компонентов (PCA) и максимальная доля шума (MNF), декоррелируют информацию о полосах и находят полосы основных компонентов.

PCA преобразует данные в пространство более низкой размерности и находит векторы главных компонентов с их направлениями вдоль максимальных отклонений входных полос. Основные компоненты расположены в порядке убывания суммы объясненной общей дисперсии.

MNF вычисляет основные компоненты, которые максимизируют отношение сигнал-шум, а не дисперсию. Преобразование MNF особенно эффективно при получении основных компонентов из изображений с зашумленными полосами. Полосы основных компонентов - это спектрально разные полосы с низкой межполосной корреляцией.

В гиперспектральном изображении значения интенсивности, записанные в каждом пикселе, определяют спектральные характеристики области, которой принадлежит пиксель. Область может быть однородной или неоднородной. Пиксели, принадлежащие однородной поверхности, называются чистыми пикселями. Эти чистые пиксели составляют конечные части гиперспектральных данных.

Неоднородные поверхности - это комбинация двух или более различных однородных поверхностей. Пиксели, принадлежащие разнородным поверхностям, называются смешанными пикселями. Спектральная сигнатура смешанного пикселя представляет собой комбинацию двух или более сигнатур конечных элементов. Эта пространственная неоднородность в основном связана с низким пространственным разрешением гиперспектрального датчика.

Спектральное разделение - это процесс разложения спектральных сигнатур смешанных пикселей на составляющие их конечные элементы. Процесс спектрального разделения состоит из двух этапов:

Извлечение конечных элементов - Спектры конечных элементов являются заметными особенностями гиперспектральных данных и могут использоваться для эффективного спектрального разделения, сегментации и классификации гиперспектральных изображений. Подходы на основе выпуклой геометрии, такие как индекс чистоты пикселей (PPI), быстрый итеративный индекс чистоты пикселей (FIPPI) и N-finder (N-FINDR), являются одними из эффективных подходов для извлечения конечных элементов.

Оценка карты изобилия - учитывая подписи конечных элементов, полезно оценить дробное количество каждого конечного элемента, присутствующего в каждом пикселе. Вы можете сгенерировать карты численности для каждого конечного элемента, которые представляют распределение спектров конечного элемента на изображении. Вы можете пометить пиксель как принадлежащий к спектру конечного элемента, сравнив все значения карты изобилия, полученные для этого пикселя.