Ziel mithilfe von Spektren erkennen (Image Analyst Tools)

Zusammenfassung

Identifiziert Pixel in einem Bild, die mit einer Spektralsignatur übereinstimmen.

Verwendung

Das Werkzeug berechnet eine Abgleichpunktzahl für jedes Pixel und gibt ein Raster der Abgleichpunktzahlen aus.
Dieses Werkzeug unterstützt verschiedene Formen von Spektraleingaben wie eine Esri Spectral Library-Datei (.esl), die im Bereich Spektralbibliothek durchsuchen oder im Werkzeug Spektral-Viewer erstellt wird, oder eine Feature-Class, die im Bereich Trainingsgebiet-Manager generiert wird.
Die Ausgabe ist ein Multiband-Raster, wenn die Bibliotheksdatei mehrere Spektralsignaturen enthält.
Wenn die Eingabespektren aus einer Spectral Library-Datei (.esl oder .sli) stammen, wird Spektral-Resampling mithilfe einer Band-Durchschnittsmethode angewendet, falls die Anzahl der Bänder nicht übereinstimmt. Sie können das Resampling der Spektren auch mit dem Werkzeug Bibliotheksspektren-Resampling durchführen.
Wenn die Spektraldaten aus einer Spektralbibliothek stammen, bei der die Reflexionswerte zwischen 0 und 1 liegen, wie bei der USGS-Spektralbibliothek, muss das Eingabe-Oberflächenreflexions-Raster auch Werte zwischen 0 und 1 enthalten.
Wenn das Eingabebild nicht im Bereich von 0–1 liegt, wie 8 Bit oder 16 Bit, sollten Sie mit dem Werkzeug "Spektral-Viewer" die Spektralsignatur des Materials aus den Bilddaten erfassen. Aktivieren Sie optional den Parameter Kontinuum entfernen, um die Spektren zu normalisieren.
Mit den unten beschriebenen Optionen des Parameters Erkennungsmethode können Sie die Abgleichpunktzahlen zwischen dem Eingabebild und der Spektralsignaturdatei berechnen.
- SAM: Die Methode "Spectral Angle Mapper" misst den Winkel zwischen dem Zielspektrum und dem Pixelspektrum. Diese Option ist unempfindlich gegenüber Beleuchtungsänderungen.
- SID: Die Methode "Spectral Information Divergence" misst die Divergenz zwischen den Wahrscheinlichkeitsverteilungen des Zielspektrums geteilt durch das Pixelspektrum. Diese Option eignet sich gut zur Erkennung von gemischten Pixelspektren.
- SID-SAM: Das Produkt der Punktzahl von "Spectral Information Divergence" und der Tangente der Punktzahl von "Spectral Angle Mapper" wird berechnet. Diese Option weist eine bessere Diskriminierungsfunktion auf, als wenn die Optionen SID und SAM einzeln verwendet werden.
- NS3: Die Methode "Normalized Spectral Similarity" berechnet die Punktzahl der spektralen Übereinstimmung anhand der euklidischen Entfernung und der Punktzahl von "Spectral Angle Mapper". Diese Option weist eine ausgeprägte Diskriminierungsfunktion auf, erfordert jedoch für hohe Genauigkeit umfangreiche Referenzdaten.
- ACE: Die Methode "Adaptive Cosine Estimator" schätzt die Ähnlichkeit zwischen einem Zielvektor (der das relevante Objekt repräsentiert) und der Spektralsignatur eines Pixels, nachdem eine Normalisierung für Hintergrundrauschen erfolgt ist. Verwenden Sie diese Option, wenn das hyperspektrale Bild starke Hintergrundstörungen aufweist.
- CEM: Die Methode "Constrained Energy Minimization" verwendet einen Finite Impulse Response-Filter (FIR), dessen Antwort auf ein Pixelspektrum größer ist, wenn das Spektrum dem Zielspektrum ähnlicher ist. Verwenden Sie diese Option, wenn das Hintergrundrauschen gering ist.
- MF: Die Methode "Matched Filter" verwendet einen FIR-Filter, dessen Reaktion auf ein mittelwertzentriertes Pixelspektrum umso stärker ist, je ähnlicher das mittelwertzentrierte Zielspektrum ist. Verwenden Sie diese Option, wenn es sich bei den Hintergrundgeräuschen um additives weißes Gaußsches Rauschen handelt.
Wenn der Parameter Kontinuum entfernen aktiviert ist, wird mithilfe von geradlinigen Segmenten, die lokale Spektrenmaxima verbinden, oben über dem Spektrum eine konvexe Hülle angepasst. Das Kontinuum wird entfernt, indem es in das tatsächliche Spektrum für jedes Pixel im Bild und die Eingabespektren aufgeteilt wird. Dies ermöglicht den Vergleich von Absorptions-Features anhand einer gemeinsamen Basislinie.

Beschriftung	Erläuterung	Datentyp
Eingabe-Raster	Ein Multiband-Bild. Wellenlängeninformationen sind erforderlich, wenn die Zielspektren eine Bibliotheksdatei sind. Ein Oberflächenreflexions-Raster wird empfohlen, wenn die Zielspektrendaten aus einer Spektralbibliothek stammen.	Mosaic Layer; Raster Layer; Image Service; Raster Dataset; Mosaic Dataset
Eingabespektren-Datei	Eine Spektralsignaturdatei. Die Eingabe kann eine Spectral Library-Datei, die Spektralsignaturen enthält, oder eine Feature-Class sein, die über den Traningsgebiete-Manager erstellt wurde.	Feature Layer; File
Ausgabe-Punktzahl-Raster	Ein Raster-Dataset, dass die Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei enthält. Wenn das Eingabe-Raster mehrere Spektralsignaturen aufweist, ist das Ausgabe-Raster ein Multiband-Raster mit einem Band pro Signatur. Die Abgleichpunktzahlen liegen zwischen 0 und 1 als Gleitkommazahlen, bei denen große Werte, die sich 1 annähern, eine sehr wahrscheinliche Übereinstimmung darstellen. Verwenden Sie die Dateierweiterung, um das Ausgabeformat anzugeben, z. B. `.tif` (TIFF), `.crf` (CRF) und `.dat` (ENVI DAT).	Raster Dataset
Erkennungsmethode (Optional)	Gibt die Methode an, die zum Berechnen der Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei verwendet wird. Alle Punktzahlen werden von 0 bis 1 normalisiert, wobei eine höhere Punktzahl für eine bessere Übereinstimmung steht. Spectral Angle Mapper (SAM)—Zur Berechnung der Abgleichpunktwerte wird die Methode "Spectral Angle Mapper" verwendet. Dies ist die Standardeinstellung. Spectral Information Divergence (SID)—Zur Berechnung der Abgleichpunktwerte wird die Methode "Spectral Information Divergence" verwendet. Information Divergence" und "Spectral Angle Mapper" (SID-SAM)—Zur Berechnung der Abgleichpunktwerte wird eine Kombination der Methoden "Spectral Information Divergence" und "Spectral Angle Mapper" verwendet. Normalized Spectral Similarity Score (NS3)—Zur Berechnung der Abgleichpunktwerte wird die Methode "Normalized Spectral Similarity Score" verwendet. Adaptive Cosine Estimator (ACE)—Zur Berechnung der Abgleichpunktwerte wird die Methode "Adaptive Cosine Estimator" verwendet. Constrained Energy Minimization (CEM)—Zur Berechnung der Abgleichpunktwerte wird die Methode "Constrained Energy Minimization" verwendet. Matched Filter (MF)—Zur Berechnung der Abgleichpunktwerte wird die Methode "Matched Filter" verwendet.	String
Kontinuum entfernen (Optional)	Gibt an, ob die Spektren anhand eines Bildes oder von Referenzdaten normalisiert werden. Aktiviert—Die Spektren werden normalisiert. Deaktiviert—Die Spektren werden nicht normalisiert. Dies ist die Standardeinstellung.	Boolean

DetectTargetUsingSpectra(in_raster, in_spectra, out_score_raster, {method}, {remove_continuum})

Name	Erläuterung	Datentyp
in_raster	Ein Multiband-Bild. Wellenlängeninformationen sind erforderlich, wenn die Zielspektren eine Bibliotheksdatei sind. Ein Oberflächenreflexions-Raster wird empfohlen, wenn die Zielspektrendaten aus einer Spektralbibliothek stammen.	Mosaic Layer; Raster Layer; Image Service; Raster Dataset; Mosaic Dataset
in_spectra	Eine Spektralsignaturdatei. Die Eingabe kann eine Spectral Library-Datei, die Spektralsignaturen enthält, oder eine Feature-Class sein, die über den Traningsgebiete-Manager erstellt wurde.	Feature Layer; File
out_score_raster	Ein Raster-Dataset, dass die Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei enthält. Wenn das Eingabe-Raster mehrere Spektralsignaturen aufweist, ist das Ausgabe-Raster ein Multiband-Raster mit einem Band pro Signatur. Die Abgleichpunktzahlen liegen zwischen 0 und 1 als Gleitkommazahlen, bei denen große Werte, die sich 1 annähern, eine sehr wahrscheinliche Übereinstimmung darstellen. Verwenden Sie die Dateierweiterung, um das Ausgabeformat anzugeben, z. B. `.tif` (TIFF), `.crf` (CRF) und `.dat` (ENVI DAT).	Raster Dataset
method (Optional)	Gibt die Methode an, die zum Berechnen der Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei verwendet wird. Alle Punktzahlen werden von 0 bis 1 normalisiert, wobei eine höhere Punktzahl für eine bessere Übereinstimmung steht. `SAM`—Zur Berechnung der Abgleichpunktwerte wird die Methode "SAM" verwendet. Dies ist die Standardeinstellung. `SID`—Zur Berechnung der Abgleichpunktwerte wird die Methode "SID" verwendet. `SIDSAM`—Zur Berechnung der Übereinstimmungswerte wird eine Kombination der Methoden "SID" und "SAM" (SID-SAM) verwendet. `NS3`—Zur Berechnung der Abgleichpunktwerte wird die Methode "NS3" verwendet. `ACE`—Zur Berechnung der Abgleichpunktwerte wird die Methode "ACE" verwendet. `CEM`—Zur Berechnung der Abgleichpunktwerte wird die Methode "CEM" verwendet. `MF`—Zur Berechnung der Abgleichpunktwerte wird die Methode "MF" verwendet.	String
remove_continuum (Optional)	Gibt an, ob die Spektren anhand eines Bildes oder von Referenzdaten normalisiert werden. `REMOVE_CONTINUUM`—Die Spektren werden normalisiert. `NO_REMOVE_CONTINUUM`—Die Spektren werden nicht normalisiert. Dies ist die Standardeinstellung.	Boolean

Codebeispiel

DetectTargetUsingSpectra: Beispiel 1 (Python-Fenster)

In diesem Beispiel wird eine Spektralsignatur mit einem Hyperspektralbild mit der Option SAM verglichen, und ein Abgleichpunktwert-Raster wird erstellt.

# Import system modules
import arcpy
from arcpy.ia import *

# Run DetectTargetUsingSpectra
out_score_raster = arcpy.ia.DetectTargetUsingSpectra(r"c:\data\aviris_image.tif", r"C:\data\oaks_from_usgs.esl", "SAM", "NO_REMOVE_CONTINUUM")
out_score_raster.save(r"c:\data\result.tif")

DetectTargetUsingSpectra: Beispiel 2 (eigenständiges Skript)

In diesem Beispiel wird eine Spektralsignatur mit einem Hyperspektralbild mit der Option SAM verglichen, und ein Abgleichpunktwert-Raster wird erstellt.

# Import system modules
import arcpy
from arcpy.ia import *

#Define variables
InputImage = r"c:\data\ aviris_image.tif"
targetSpectra= r"c:\data\oaks_from_usgs.esl"
outputScoreRaster = r"c:\data\score_raster.tif"
Method = "SAM"
removeContinuum = "NO_REMOVE_CONTINUUM"

#Run
out_score_raster = arcpy.ia.DetectTargetUsingSpectra(
    in_raster=InputImage,
    in_spectra= targetSpectra,
    method=Method,
    remove_continuum=removeContinuum
)
out_score_raster.save(outputScoreRaster)

Umgebungen

Zellenausrichtung, Zellengröße, Komprimierung, Aktueller Workspace, Geographische Transformationen, NoData, Ausgabe-CONFIG-Schlüsselwort, Ausgabe-Koordinatensystem, Ausdehnung, Pyramide, Raster-Statistiken, Resampling-Methode, Scratch-Workspace, Fang-Raster, Kachelgröße, Faktor für parallele Verarbeitung

Lizenzierungsinformationen