Reducir bandas espectrales (Herramientas de Image Analyst)

Resumen

Reduce el número de bandas espectrales en imágenes multibanda utilizando los métodos de análisis de Fracción Mínima de Ruido (MNF) y Análisis de componentes principales (PCA).

Uso

Tanto el PCA como el MNF se utilizan ampliamente para reducir el número de bandas en las imágenes hiperespectrales, pero difieren en lo que optimizan, en cómo tratan el ruido y en su idoneidad para los datos hiperespectrales.
El PCA es una transformación estadística que reproyecta las bandas espectrales originales en un nuevo conjunto de componentes ortogonales, ordenados según la varianza total explicada. El primer componente explica la mayor parte de la varianza (y suele contener la mayor cantidad de información); el segundo componente explica la siguiente mayor parte de la varianza, y así sucesivamente.
El MNF es un análisis de componentes principales (PCA) ajustado al ruido, diseñado específicamente para imágenes hiperespectrales. Estima la matriz de covarianza del ruido y transforma los datos de modo que el ruido tenga una varianza unitaria (el ruido se normaliza de tal forma que una unidad de variación equivalga a una desviación estándar del ruido) y no presente correlación. Si la varianza del ruido es igual a 1 y la correlación del ruido es igual a 0, cualquier dirección en el espacio espectral con una varianza superior a 1 debe contener señal. A continuación, los datos se transforman mediante el análisis de componentes principales (PCA) y los componentes se ordenan por orden descendente de la relación señal-ruido (SNR), lo que permite separar los datos significativos del ruido para facilitar el análisis, a diferencia del PCA estándar, que da prioridad a la varianza total.
La herramienta toma como entrada una imagen multibanda o hiperespectral y genera como resultado una imagen ráster transformada con el número especificado de componentes MNF y PCA (bandas). La transformación y reducción de las bandas espectrales a aquellas que contienen la información más relevante de la imagen aumenta la eficiencia y la precisión del procesamiento.

Etiqueta	Explicación	Tipo de datos
Ráster de entrada	Imagen multibanda o hiperespectral. Si la entrada es un ráster multidimensional, se utilizará la primera porción.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
Ráster de salida	Ráster transformado que contiene los componentes MNF o PCA. El número de bandas es igual al valor del parámetro Número de componentes.	Raster Dataset
Método de reducción (Opcional)	specifica el método utilizado para realizar la transformación. Fracción mínima de ruido (MNF)—Se utilizará el método Fracción Mínima de Ruido (MNF) para reducir el número de bandas. Esta es la opción predeterminada. Análisis de componentes principales (PCA)—Se utilizará el método de Análisis de componentes principales (PCA) para reducir el número de bandas.	String
Número de componentes (Opcional)	Número de componentes MNF o PCA que contendrá la salida. El valor predeterminado es igual al número de bandas contenidas en la imagen; sin embargo, si la imagen tiene más de 20 bandas, el valor predeterminado será 20.	Long
Transformar MNF de salida (Opcional)	Coeficientes de transformación MNF utilizados para transformar la imagen de entrada, expresados como el número de bandas de entrada multiplicado por el valor del parámetro Número de componentes. Puede utilizar este dataset ráster para transformar otra imagen utilizando los mismos coeficientes.	Raster Dataset
Cargas de salida PCA (Opcional)	Tabla que enumera los pesos con los que cada banda de entrada contribuye a los componentes principales. Estas ponderaciones definen las correlaciones de los datos de entrada y los componentes principales de salida.	Table
Valores propios de PCA de salida (Opcional)	Tabla de valores propios que indica el porcentaje de varianza de cada componente. Los eigenvalores le ayudan a definir el número de componentes principales necesarios para representar el dataset.	Table

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

Nombre	Explicación	Tipo de datos
in_raster	Imagen multibanda o hiperespectral. Si la entrada es un ráster multidimensional, se utilizará la primera porción.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
out_raster	Ráster transformado que contiene los componentes MNF o PCA. El número de bandas es igual al valor del parámetro `num_components`.	Raster Dataset
method (Opcional)	specifica el método utilizado para realizar la transformación. `MNF`—Se utilizará el método MNF para reducir el número de bandas. Esta es la opción predeterminada. `PCA`—Se utilizará el método PCA para reducir el número de bandas.	String
num_components (Opcional)	Número de componentes MNF o PCA que contendrá la salida. El valor predeterminado es igual al número de bandas contenidas en la imagen; sin embargo, si la imagen tiene más de 20 bandas, el valor predeterminado será 20.	Long
out_mnf_transform (Opcional)	Coeficientes de transformación MNF utilizados para transformar la imagen de entrada, expresados como el número de bandas de entrada multiplicado por el valor del parámetro `num_components`. Puede utilizar este dataset ráster para transformar otra imagen utilizando los mismos coeficientes.	Raster Dataset
out_pca_loadings (Opcional)	Tabla que enumera los pesos con los que cada banda de entrada contribuye a los componentes principales. Estas ponderaciones definen las correlaciones de los datos de entrada y los componentes principales de salida.	Table
out_pca_eigenvalues (Opcional)	Tabla de valores propios que indica el porcentaje de varianza de cada componente. Los eigenvalores le ayudan a definir el número de componentes principales necesarios para representar el dataset.	Table

Muestra de código

Ejemplo 1 de ReduceSpectralBands (script independiente)

Reduce el número de bandas usando el método MNF.

# 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)

Ejemplo 2 de ReduceSpectralBands (script independiente)

Reduce el número de bandas usando el método PCA.

# 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)

Entornos

Alineación de celda, Tamaño de celda, Compresión, Espacio de trabajo actual, Extensión, Transformaciones geográficas, NoData, Palabra clave CONFIG de salida, Sistema de coordenadas de salida, Factor de procesamiento en paralelo, Pirámide, Estadísticas de ráster, Método de remuestreo, Espacio de trabajo temporal, Alinear ráster, Tamaño de tesela

Información de licenciamiento

Basic: Requiere Image Analyst
Standard: Requiere Image Analyst
Avanzado: Requiere Image Analyst

Referencias

"Green, A. A., Berman, M., Switzer, P. y 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, no. 1, p. 65-74."

Buscar una herramienta de geoprocesamiento