Réduire les bandes spectrales (Outils Image Analyst)

Résumé

Réduit le nombre de bandes spectrales dans l’imagerie multibande à l’aide des méthodes d’analyse Fraction minimale de bruit (FMB) et Analyse des composantes principales (ACP).

Utilisation

– Les méthodes ACP et MNF sont largement utilisées pour réduire le nombre de bandes dans l’imagerie hyperspectrale, mais elles se distinguent par ce qu’elles optimisent, leur traitement du bruit et leur adéquation avec les données hyperspectrales.

– L’ACP est une transformation statistique qui projette à nouveau les bandes spectrales d’origine en un nouvel ensemble de composantes orthogonales, ordonnées par la variance totale expliquée. La première composante explique la plus variance la plus élevée (contenant généralement le plus d’informations), la deuxième composante explique la variance la plus élevée suivante, et ainsi de suite.

– La méthode MNF est une ACP ajustée au bruit, spécifiquement conçue pour l’imagerie hyperspectrale. Elle estime la matrice de covariance de bruit et convertit les données de façon que le bruit possède une variance unitaire (le bruit est normalisé de sorte qu’une unité de variation est égale à un écart-type de bruit) et qu’il soit non corrélé. Une fois que la variance de bruit = 1 et la corrélation de bruit = 0, alors toute direction dans l’espace spectral avec une variance > 1 doit contenir un signal. Les données sont ensuite transformées par l’ACP et les composants ordonnés selon un rapport signal/bruit (SNR) décroissant, ce qui sépare les données significatives du bruit afin d’améliorer les analyses, contrairement à l’ACP standard qui privilégie la variance totale.

– L’outil prend une image en entrée multibande ou hyperspectrale et génère un raster transformé avec le nombre spécifié de composantes ACP et MNF (bandes). La transformation et la réduction des bandes spectrales en des bandes contenant les informations d’image les plus pertinentes augmente l’efficacité et la précision du traitement.

Etiqueter	Explication	Type de données
Raster en entrée	Image multibande ou hyperspectrale Si l’entrée est un raster multidimensionnel, la première tranche est utilisée.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
Raster en sortie	Raster transformé contenant les composantes MNF ou ACP. Le nombre de bandes est égal à la valeur du paramètre Number of Components (Nombre de composantes).	Raster Dataset
Méthode de réduction (Facultatif)	Spécifie la méthode utilisée pour effectuer la transformation. Fraction minimale de bruit (MNF)—La méthode Fraction minimale de bruit (MNF) est utilisée pour réduire le nombre de bandes. Il s’agit de l’option par défaut. Analyse des composantes principales (ACP)—La méthode Analyse des composantes principales (ACP) est utilisée pour réduire le nombre de bandes.	String
Nombre de composantes (Facultatif)	Nombre de composantes MNF ou ACP que la sortie contiendra. La valeur par défaut est égale au nombre de bandes se trouvant dans l’image. Si l’image présente plus de 20 bandes, la valeur par défaut est 20.	Long
Transformation MNF en sortie (Facultatif)	Coefficients de transformation MNF utilisés pour transformer l’image en entrée sous la forme nombre de bandes en entrée * valeur du paramètre Number of Components (Nombre de composantes). Vous pouvez utiliser ce jeu de données raster pour transformer une autre image avec les mêmes coefficients.	Raster Dataset
Chargements de l’ACP en sortie (Facultatif)	Table répertoriant les pondérations selon lesquelles chaque bande contribue aux composantes principales. Ces pondérations définissent les corrélations des données en entrée et des composantes principales en sortie.	Table
Valeurs propres de l’ACP en sortie (Facultatif)	Table des valeurs propres qui indique le pourcentage de variance de chaque composante. Elles vous aident à définir le nombre de composantes principales nécessaires pour représenter le jeu de données.	Table

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

Nom	Explication	Type de données
in_raster	Image multibande ou hyperspectrale Si l’entrée est un raster multidimensionnel, la première tranche est utilisée.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
out_raster	Raster transformé contenant les composantes MNF ou ACP. Le nombre de bandes est égal à la valeur du paramètre `num_components`.	Raster Dataset
method (Facultatif)	Spécifie la méthode utilisée pour effectuer la transformation. `MNF`—La méthode MNF est utilisée pour réduire le nombre de bandes. Il s’agit de l’option par défaut. `PCA`—La méthode ACP est utilisée pour réduire le nombre de bandes.	String
num_components (Facultatif)	Nombre de composantes MNF ou ACP que la sortie contiendra. La valeur par défaut est égale au nombre de bandes se trouvant dans l’image. Si l’image présente plus de 20 bandes, la valeur par défaut est 20.	Long
out_mnf_transform (Facultatif)	Coefficients de transformation MNF utilisés pour transformer l’image en entrée sous la forme nombre de bandes en entrée * valeur du paramètre `num_components`. Vous pouvez utiliser ce jeu de données raster pour transformer une autre image avec les mêmes coefficients.	Raster Dataset
out_pca_loadings (Facultatif)	Table répertoriant les pondérations selon lesquelles chaque bande contribue aux composantes principales. Ces pondérations définissent les corrélations des données en entrée et des composantes principales en sortie.	Table
out_pca_eigenvalues (Facultatif)	Table des valeurs propres qui indique le pourcentage de variance de chaque composante. Elles vous aident à définir le nombre de composantes principales nécessaires pour représenter le jeu de données.	Table

Exemple de code

Exemple 1 d’utilisation de la fonction ReduceSpectralBands (script autonome)

Réduisez le nombre de bandes à l’aide de la méthode 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)

Exemple 2 d’utilisation de la fonction ReduceSpectralBands (script autonome)

Réduisez le nombre de bandes à l’aide de la méthode ACP.

# 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)

Environnements

Cell Alignment (Alignement des cellules), Taille de cellule, Compression, Espace de travail courant, Etendue, Transformations géographiques, NoData, Mot-clé CONFIG en sortie, Système de coordonnées en sortie, Facteur de traitement parallèle, Pyramide, Statistiques raster, Méthode de ré-échantillonnage, Espace de travail temporaire, Raster de capture, Taille de tuile

Informations de licence

Basic: Requiert Image Analyst
Standard: Requiert Image Analyst
Advanced: Requiert Image Analyst

Bibliographie

– "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, no. 1, p. 65-74."

Rechercher un outil de géotraitement