🦄️ Measurement Hyperspectral

🕹️ Code and Environment 光谱匹配法

通过进行光谱匹配来解释像素光谱。光谱匹配通过将其光谱与一个或多个参考光谱进行比较来识别端元材料的类别。参考数据由材料的纯光谱特征组成，可用作光谱库。

使用readecostress函数从ECOSTRESS谱库中读取参考谱文件。然后，您可以使用spectralMatch函数计算ECOSTRESS库谱中的文件与一个端成员谱之间的相似性。

像元光谱的几何特征和概率分布值是光谱匹配的重要特征。结合几何特征和概率特征可以提高匹配效率。这种组合方法比单个方法具有更高的识别能力，更适合于光谱相似目标的识别。该表列出了用于计算光谱匹配分数的函数。

💫 Step 1:

sam : 光谱角映射仪(SAM)根据光谱的几何特征对两种光谱进行匹配。SAM测量计算两个光谱特征之间的角度。角度越小，表示光谱间的匹配越好。这种测量方法对光照变化不敏感。

🏞️ Step 2:

sid : 光谱信息发散(Spectral information divergence, SID)是根据两种光谱的概率分布进行匹配的。该方法是一种有效的混合像元光谱识别方法。低SID值意味着两个光谱的相似度较高。

🎆 Step 3:

sidsam : SID和SAM的结合。SID-SAM方法比单独的SID和SAM具有更好的识别能力。最小分值表示两个光谱的相似度较高。

🌍 Step 4:

jmsam : Jeffries-Matusita (JM)距离和SAM的结合。较低的距离值意味着两个光谱之间的相似性较高。这种方法在分辨光谱近距离目标时特别有效。

🔫 Step 5:

ns3 : 归一化光谱相似度评分(NS3)，它结合了欧几里德距离和SAM。较低的距离值意味着两个光谱之间的相似性较高。该方法鉴别能力强，但需要大量的参考数据才能获得较高的准确度。

🏇🏄🏂🚵🎳🏊🚴