Уменьшение спектральных каналов (Инструменты Image Analyst)

Краткая информация

Уменьшает количество спектральных каналов в многоканальных изображениях с помощью аналитических методов минимальной доли шума (MNF) и анализа методом главных компонент (PCA).

Использование

И PCA, и MNF широко используются для уменьшения числа каналов в гиперспектральных изображениях, но различаются по оптимизации, обработке шума и пригодности для гиперспектральных данных.
PCA — это статистическое преобразование, которое перепроецирует исходные спектральные каналы в новый набор ортогональных компонент, упорядоченных по общей объяснимой дисперсии. Первый компонент объясняет наибольшую дисперсию (обычно содержит больше всего информации), второй компонент — следующую по величине дисперсию и так далее.
MNF — это метод главных компонент (PCA) с поправкой на шум, специально разработанный для обработки гиперспектральных изображений. Он оценивает матрицу ковариации шума и преобразует данные так, чтобы шум имел единичную дисперсию (шум нормализуется так, что одна единица вариации равна одному среднеквадратическому отклонению шума) и не коррелирует. Если дисперсия шума = 1, а корреляция шума = 0, то любое направление в спектральном пространстве с дисперсией > 1 должно содержать сигнал. Затем данные преобразуются с помощью PCA и компонентов, упорядоченных по снижению отношения сигнал/шум (SNR), что отделяет значимые данные от шума для лучшего анализа, в отличие от стандартного PCA, который ставит приоритет на полную дисперсию.
Инструмент принимает многоканальное или гиперспектральное входное изображение и выводит преобразованный растр с указанным числом компонентов MNF и PCA (каналов). Преобразование и уменьшение спектральных каналов до тех, которые содержат наиболее релевантную информацию, повышает эффективность и точность обработки.

Подпись	Объяснение	Тип данных
Входной растр	Многоканальное или гиперспектральное изображение. Если входным является многомерный растр, используется первый срез.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
Выходной растр	Трансформированный растр, содержащий компоненты MNF или PCA. Число каналов равно значению параметра Число компонент.	Raster Dataset
Метод сокращения (Дополнительный)	Указывает метод, используемый для выполнения трансформации. Минимальная доля шума (MNF)–Метод минимальной доли шума (MNF) будет использоваться для уменьшения числа каналов. Используется по умолчанию. Анализ по методу главных компонент (PCA)–Метод анализа главных компонент (PCA) будет использован для уменьшения числа каналов.	String
Число компонент (Дополнительный)	Число компонент MNF или PCA, которые будут содержаться на выходе. Это значение по умолчанию равно числу каналов, содержащихся на изображении, но если у изображения больше 20 каналов, то по умолчанию будет установлено 20.	Long
Выходное преобразование MNF (Дополнительный)	Коэффициенты преобразования MNF, используемые для трансформации входного изображения в виде числа входных каналов, умноженного на значение параметра Число компонент . Вы можете использовать этот набор растровых данных для трансформирования другого изображения с теми же коэффициентами.	Raster Dataset
Выходные нагрузки PCA (Дополнительный)	Таблица, в которой перечислены веса, которые каждый входной канал вносит в главные компоненты. Эти веса определяют корреляцию входных данных и выходных главных компонент.	Table
Выходные собственные значения PCA (Дополнительный)	Имя таблицы собственных значений, в которой указывается процент отклонения каждого компонента. Собственные значения помогают определить число главных компонент, необходимых для представления набора данных.	Table

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

Имя	Объяснение	Тип данных
in_raster	Многоканальное или гиперспектральное изображение. Если входным является многомерный растр, используется первый срез.	Raster Dataset; Mosaic Dataset; Mosaic Layer; Raster Layer; Image Service
out_raster	Преобразованный растр, содержащий компоненты MNF или PCA. Число каналов равно значению параметра `num_components`.	Raster Dataset
method (Дополнительный)	Указывает метод, используемый для выполнения трансформации. `MNF`–Метод MNF будет использоваться для уменьшения числа каналов. Используется по умолчанию. `PCA`–Метод PCA будет использоваться для уменьшения числа каналов.	String
num_components (Дополнительный)	Число компонент MNF или PCA, которые будут содержаться на выходе. Это значение по умолчанию равно числу каналов, содержащихся на изображении, но если у изображения больше 20 каналов, то по умолчанию будет установлено 20.	Long
out_mnf_transform (Дополнительный)	Коэффициенты преобразования MNF, используемые для преобразования входного изображения в виде числа входных полос, умноженного на значение параметра `num_components`. Вы можете использовать этот набор растровых данных для трансформирования другого изображения с теми же коэффициентами.	Raster Dataset
out_pca_loadings (Дополнительный)	Таблица, в которой перечислены веса, которые каждый входной канал вносит в главные компоненты. Эти веса определяют корреляцию входных данных и выходных главных компонент.	Table
out_pca_eigenvalues (Дополнительный)	Имя таблицы собственных значений, в которой указывается процент отклонения каждого компонента. Собственные значения помогают определить число главных компонент, необходимых для представления набора данных.	Table

Пример кода

ReduceSpectralBands, пример 1 (автономный скрипт)

Уменьшите число каналов с помощью метода 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)

ReduceSpectralBands, пример 2 (автономный скрипт)

Уменьшите число каналов с помощью метода 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)

Параметры среды

Выравнивание ячейки, Размер ячейки, Сжатие, Текущая рабочая область, Экстент, Географические преобразования, NoData, Выходное ключевое слово конфигурации, Выходная система координат, Коэффициент параллельной обработки, Пирамидный слой, Статистика растра, Метод пересчета, Временная рабочая область, Растр привязки, Размер листа

Информация о лицензировании

Basic: Требуется Image Analyst
Standard: Требуется Image Analyst
Advanced: Требуется Image Analyst

Справочная информация

"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, стр. 65-74.»

Поиск инструмента геообработки