Spektralbänder reduzieren (Image Analyst Tools)

Zusammenfassung

Reduziert die Anzahl der Spektralbänder in Multiband-Bilddaten mithilfe der Analysemethoden "Minimum Noise Fraction" (MNF) und "Principal Components Analysis" (PCA).

Verwendung

Sowohl PCA als auch MNF werden häufig zur Reduzierung der Anzahl der Kanäle in hyperspektralen Bilddaten eingesetzt, unterscheiden sich jedoch hinsichtlich dessen, was sie optimieren, wie sie mit Rauschen umgehen und wie gut sie für hyperspektrale Daten geeignet sind.
PCA ist eine statistische Transformation, bei der die ursprünglichen Spektralbänder in einen neuen Satz orthogonaler Komponenten umgewandelt werden, die nach der erklärten Gesamtvarianz geordnet sind. Die erste Komponente erklärt den größten Teil der Varianz (und enthält in der Regel die meisten Informationen), die zweite Komponente erklärt den nächstgrößten Teil der Varianz usw.
MNF ist eine rauschkorrigierte PCA, die speziell für hyperspektrale Bilddaten entwickelt wurde. Sie schätzt die Rauschkovarianzmatrix und wandelt die Daten so um, dass das Rauschen eine Einheitenvarianz aufweist (das Rauschen wird so normiert, dass eine Variationseinheit einer Standardabweichung des Rauschens entspricht) und unkorreliert ist. Wenn die Rauschvarianz = 1 und die Rauschkorrelation = 0 ist, muss jede Richtung im Spektralraum mit einer Varianz > 1 ein Signal enthalten. Anschließend werden die Daten mittels PCA transformiert und die Komponenten nach absteigendem Signal-Rausch-Verhältnis (SNR) geordnet, wodurch aussagekräftige Daten vom Rauschen getrennt werden, um eine bessere Analyse zu ermöglichen – im Gegensatz zur Standard-PCA, bei der die Gesamtvarianz im Vordergrund steht.
Das Werkzeug verwendet ein Multiband- oder Hyperspektralbild als Eingabe und gibt ein transformiertes Raster mit der angegebenen Anzahl von MNF- und PCA-Komponenten (Bändern) als Ausgabe-Raster aus. Die Transformation und Reduzierung der Spektralbänder auf diejenigen mit den relevantesten Bildinformationen erhöht die Effizienz und Genauigkeit beim Verarbeiten der Bilder.

Beschriftung	Erläuterung	Datentyp
Eingabe-Raster	Ein Multiband- oder Hyperspektralbild Wenn es sich bei der Eingabe um ein multidimensionales Raster handelt, wird der erste Ausschnitt verwendet.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
Ausgabe-Raster	Das transformierte Raster, das die MNF- oder PCA-Komponenten enthält. Die Anzahl der Bänder entspricht dem Wert des Parameters Anzahl der Komponenten.	Raster Dataset
Reduktionsmethode (Optional)	Gibt an, mit welcher Methode die Transformation durchgeführt wird. Minimum Noise Fraction (MNF)—Die Methode "Minimum Noise Fraction (MNF)" wird verwendet, um die Anzahl der Bänder zu reduzieren. Dies ist die Standardeinstellung. Principal Component Analysis (PCA)—Die Methode "Principal Component Analysis (PCA)" wird verwendet, um die Anzahl der Bänder zu reduzieren.	String
Anzahl der Komponenten (Optional)	Die Anzahl der MNF- oder PCA-Komponenten, die die Ausgabe enthalten wird. Der Standardwert entspricht der Anzahl der im Bild enthaltenen Kanäle; wenn das Bild jedoch mehr als 20 Kanäle enthält, wird der Standardwert auf 20 festgelegt.	Long
Ausgabe-MNF-Transformation (Optional)	Die MNF-Transformationskoeffizienten, die zur Transformation des Eingabebildes verwendet werden, haben die Form "Anzahl der Eingabebänder * Anzahl der Komponenten". Mit diesem Dataset können Sie ein anderes Bild unter Verwendung derselben Koeffizienten transformieren.	Raster Dataset
Ausgabe-PCA-Gewichtungen (Optional)	Eine Tabelle, in der die Gewichtungen aufgeführt sind, mit denen jedes Eingabeband zu den PCA-Komponenten beiträgt. Diese Gewichtungen definieren die Korrelationen der Eingabedaten und der Ausgabe-PCA-Komponenten.	Table
Ausgabe-PCA-Eigenwerte (Optional)	Die Eigenwerte-Tabelle, die den Varianz-Prozentsatz der einzelnen Komponenten angeben. Mit Eigenwerten können Sie die Anzahl der PCA-Komponenten definieren, die zum Darstellen des Datasets erforderlich sind.	Table

ReduceSpectralBands(in_raster, out_raster, {method}, {num_components}, {out_mnf_transform}, {out_pca_loadings}, {out_pca_eigenvalues})

Name	Erläuterung	Datentyp
in_raster	Ein Multiband- oder Hyperspektralbild Wenn es sich bei der Eingabe um ein multidimensionales Raster handelt, wird der erste Ausschnitt verwendet.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
out_raster	Das transformierte Raster, das die MNF- oder PCA-Komponenten enthält. Die Anzahl der Bänder entspricht dem Wert des Parameters `num_components`.	Raster Dataset
method (Optional)	Gibt an, mit welcher Methode die Transformation durchgeführt wird. `MNF`—Die MNF-Methode wird verwendet, um die Anzahl der Bänder zu reduzieren. Dies ist die Standardeinstellung. `PCA`—Die PCA-Methode wird verwendet, um die Anzahl der Bänder zu reduzieren.	String
num_components (Optional)	Die Anzahl der MNF- oder PCA-Komponenten, die die Ausgabe enthalten wird. Der Standardwert entspricht der Anzahl der im Bild enthaltenen Kanäle; wenn das Bild jedoch mehr als 20 Kanäle enthält, wird der Standardwert auf 20 festgelegt.	Long
out_mnf_transform (Optional)	Die MNF-Transformationskoeffizienten, die zur Transformation des Eingabebildes verwendet werden, haben die Form "`num_components` * Anzahl der Komponenten". Mit diesem Dataset können Sie ein anderes Bild unter Verwendung derselben Koeffizienten transformieren.	Raster Dataset
out_pca_loadings (Optional)	Eine Tabelle, in der die Gewichtungen aufgeführt sind, mit denen jedes Eingabeband zu den PCA-Komponenten beiträgt. Diese Gewichtungen definieren die Korrelationen der Eingabedaten und der Ausgabe-PCA-Komponenten.	Table
out_pca_eigenvalues (Optional)	Die Eigenwerte-Tabelle, die den Varianz-Prozentsatz der einzelnen Komponenten angeben. Mit Eigenwerten können Sie die Anzahl der PCA-Komponenten definieren, die zum Darstellen des Datasets erforderlich sind.	Table

Codebeispiel

ReduceSpectralBands: Beispiel 1 (eigenständiges Skript)

Reduziert die Anzahl der Bänder mithilfe der MNF-Methode.

# Import system modules   
import arcpy   

# Define variables 
input_raster = r"c:\data\hyperspectral_img.tif"
output_raster = r"c:\output\mnf_img.tif"
method = "MNF"
components = 10 
transform = r"c:\output\mnf_transform"

# Run ReduceSpectralBands
output = arcpy.ia.ReduceSpectralBands(in_raster=input_raster, out_components=output_raster, method=method, num_components=components, out_mnf_transform=transform)

ReduceSpectralBands: Beispiel 2 (eigenständiges Skript)

Reduziert die Anzahl der Bänder mithilfe der PCA-Methode.

# Import system modules   
import arcpy   

# Define variables 
input_raster = r"c:\data\hyperspectral_img.tif"
output_raster = r"c:\output\pca_img.tif"
method = "PCA"
components = 15
loadings = r"c:\output\loadings_table.csv"
eigenvalues = r"c:\output\eigenvalues_table.csv"

# Run ReduceSpectralBands
output = arcpy.ia.ReduceSpectralBands(in_raster=input_raster, out_components=output_raster, method=method, num_components=components, out_pca_loadings=loadings, out_pca_eigenvalues=eigenvalues)

Umgebungen

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

Lizenzierungsinformationen

Basic: Erfordert "Image Analyst"
Standard: Erfordert "Image Analyst"
Advanced: Erfordert "Image Analyst"

Referenzen

"Green, A. A., Berman, M., Switzer, P., and Craig, M. D., 1988, A transformation for ordering multispectral data in terms of image quality with implications for noise removal: IEEE Transactions on Geoscience and Remote Sensing, v. 26, Nr. 1, S. 65-74."

Suchen eines Geoverarbeitungswerkzeugs