| Beschriftung | Erläuterung | Datentyp |
Eingabe-Raster | Ein Multiband-Bild. Wellenlängeninformationen sind erforderlich, wenn die Zielspektren eine Bibliotheksdatei sind. Ein Oberflächenreflexions-Raster wird empfohlen, wenn die Zielspektrendaten aus einer Spektralbibliothek stammen. | Mosaic Layer; Raster Layer; Image Service; Raster Dataset; Mosaic Dataset |
Eingabespektren-Datei | Eine Spektralsignaturdatei. Die Eingabe kann eine Spectral Library-Datei, die Spektralsignaturen enthält, oder eine Feature-Class sein, die in einem Spektralsammlungs-Workflow erstellt wurde. | Feature Layer; File |
Ausgabe-Punktzahl-Raster | Ein Raster-Dataset, dass die Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei enthält. Wenn das Eingabe-Raster mehrere Spektralsignaturen aufweist, ist das Ausgabe-Raster ein Multiband-Raster mit einem Band pro Signatur. Die Abgleichpunktzahlen liegen zwischen 0 und 1 als Gleitkommazahlen, bei denen große Werte, die sich 1 annähern, eine sehr wahrscheinliche Übereinstimmung darstellen. Verwenden Sie die Dateierweiterung, um das Ausgabeformat anzugeben, z. B. .tif (TIFF), .crf (CRF) und .dat (ENVI DAT). | Raster Dataset |
Erkennungsmethode (optional) | Gibt die Methode an, die zum Berechnen der Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei verwendet wird. Alle Punktzahlen werden von 0 bis 1 normalisiert, wobei eine höhere Punktzahl für eine bessere Übereinstimmung steht.
| String |
Kontinuum entfernen (optional) | Gibt an, ob die Spektren über ein Bild oder Referenzdaten normalisiert werden.
| Boolean |
Mit der Image Analyst-Lizenz verfügbar.
Zusammenfassung
Identifiziert Pixel in einem Bild, die mit einer Spektralsignatur übereinstimmen.
Verwendung
Das Werkzeug berechnet eine Abgleichpunktzahl für jedes Pixel und gibt ein Raster der Abgleichpunktzahlen aus.
Dieses Werkzeug unterstützt verschiedene Formen von Spektraleingaben wie eine Esri Spectral Library-Datei (.esl), die im Bereich Spektralbibliothek durchsuchen oder im Werkzeug Spektral-Viewer erstellt wird, oder eine Feature-Class, die im Bereich Trainingsgebiet-Manager generiert wird.
Die Anzahl der Bänder im Eingabebild und in den Eingabespektraldaten müssen übereinstimmen, wenn die Eingabespektren eine Trainingsgebiet-Feature-Class sind.
Die Ausgabe ist ein Multiband-Raster, wenn die Bibliotheksdatei mehrere Spektralsignaturen enthält.
Wenn die Eingabespektren aus einer Spectral Library-Datei (.esl oder .sli) stammen, wird Spektral-Resampling mithilfe einer Band-Durchschnittsmethode angewendet, falls die Anzahl der Bänder nicht übereinstimmt. Sie können das Resampling der Spektren auch mit dem Werkzeug Bibliotheksspektren-Resampling durchführen.
Wenn die Spektraldaten aus einer Spektralbibliothek stammen, bei der die Reflexionswerte zwischen 0 und 1 liegen, wie bei der USGS-Spektralbibliothek, muss das Eingabe-Oberflächenreflexions-Raster auch Werte zwischen 0 und 1 enthalten.
Wenn das Eingabebild nicht im Bereich von 0–1 liegt, wie 8 Bit oder 16 Bit, sollten Sie mit dem Werkzeug Spektral-Viewer die Spektralsignatur des Materials aus den Bilddaten erfassen. Aktivieren Sie optional den Parameter Kontinuum entfernen, um die Spektren zu normalisieren.
Mit den unten beschriebenen Optionen des Parameters Erkennungsmethode können Sie die Abgleichpunktzahlen zwischen dem Eingabebild und der Spektralsignaturdatei berechnen.
- SAM: Die Methode "Spectral Angle Mapper" misst den Winkel zwischen dem Zielspektrum und dem Pixelspektrum. Die Option reagiert nicht auf Änderungen der Beleuchtung.
- SID: Die Methode "Spectral Information Divergence" misst die Divergenz zwischen den Wahrscheinlichkeitsverteilungen des Zielspektrums geteilt durch das Pixelspektrum. Mit dieser Option können Mischpixelspektren effizient identifiziert werden.
- SID-SAM: Das Produkt der Punktzahl von "Spectral Information Divergence" und der Tangente der Punktzahl von "Spectral Angle Mapper" wird berechnet. Diese Option weist eine bessere Diskriminierungsfunktion auf, als wenn die Optionen SID und SAM einzeln verwendet werden.
- NS3: Die Methode "Normalized Spectral Similarity" berechnet die Punktzahl der spektralen Übereinstimmung anhand der euklidischen Entfernung und der Punktzahl von "Spectral Angle Mapper". Diese Option weist eine ausgeprägte Diskriminierungsfunktion auf, erfordert jedoch für hohe Genauigkeit umfangreiche Referenzdaten.
- ACE: Die Methode "Adaptive Cosine Estimator" schätzt die Ähnlichkeit zwischen einem Zielvektor (der das relevante Objekt darstellt) und der Spektralsignatur eines Pixels nach der Normalisierung aufgrund von Hintergrundrauschen. Verwenden Sie diese Option, wenn das hyperspektrale Bild einen sehr unübersichtlichen Hintergrund aufweist.
- CEM: Die Methode "Constrained Energy Minimization" verwendet einen Finite Impulse Response-Filter (FIR), dessen Antwort auf ein Pixelspektrum größer ist, wenn das Spektrum dem Zielspektrum ähnlicher ist. Verwenden Sie diese Option bei minimalem Hintergrundrauschen.
- MF: Die Methode "Matched Filter" verwendet einen FIR-Filter, dessen Antwort auf ein durchschnittsbereinigtes Pixelspektrum größer ist, wenn das Spektrum dem durchschnittsbereinigten Zielspektrum ähnlicher ist. Verwenden Sie diese Option, wenn das Hintergrundrauschen zusätzliches weißes Gauß'ches Rauschen ist.
Wenn der Parameter Kontinuum entfernen aktiviert ist, wird mithilfe von geradlinigen Segmenten, die lokale Spektrenmaxima verbinden, oben über dem Spektrum eine konvexe Hülle angepasst. Das Kontinuum wird entfernt, indem es in das tatsächliche Spektrum für jedes Pixel im Bild und die Eingabespektren aufgeteilt wird. Dies ermöglicht einen Vergleich der Absorption-Features anhand einer Basislinie.
Parameter
DetectTargetUsingSpectra(in_raster, in_spectra, out_score_raster, {method}, {remove_continuum})| Name | Erläuterung | Datentyp |
in_raster | Ein Multiband-Bild. Wellenlängeninformationen sind erforderlich, wenn die Zielspektren eine Bibliotheksdatei sind. Ein Oberflächenreflexions-Raster wird empfohlen, wenn die Zielspektrendaten aus einer Spektralbibliothek stammen. | Mosaic Layer; Raster Layer; Image Service; Raster Dataset; Mosaic Dataset |
in_spectra | Eine Spektralsignaturdatei. Die Eingabe kann eine Spectral Library-Datei, die Spektralsignaturen enthält, oder eine Feature-Class sein, die in einem Spektralsammlungs-Workflow erstellt wurde. | Feature Layer; File |
out_score_raster | Ein Raster-Dataset, dass die Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei enthält. Wenn das Eingabe-Raster mehrere Spektralsignaturen aufweist, ist das Ausgabe-Raster ein Multiband-Raster mit einem Band pro Signatur. Die Abgleichpunktzahlen liegen zwischen 0 und 1 als Gleitkommazahlen, bei denen große Werte, die sich 1 annähern, eine sehr wahrscheinliche Übereinstimmung darstellen. Verwenden Sie die Dateierweiterung, um das Ausgabeformat anzugeben, z. B. .tif (TIFF), .crf (CRF) und .dat (ENVI DAT). | Raster Dataset |
method (optional) | Gibt die Methode an, die zum Berechnen der Abgleichpunktzahlen aus dem Eingabebild und der Spektralsignaturdatei verwendet wird. Alle Punktzahlen werden von 0 bis 1 normalisiert, wobei eine höhere Punktzahl für eine bessere Übereinstimmung steht.
| String |
remove_continuum (optional) | Gibt an, ob die Spektren über ein Bild oder Referenzdaten normalisiert werden.
| Boolean |
Codebeispiel
In diesem Beispiel wird eine Spektralsignatur mit einem Hyperspektralbild mit der Option SAM verglichen, und ein Abgleichpunktwert-Raster wird erstellt.
# Import system modules
import arcpy from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Execute
out_score_raster = arcpy.ia. DetectTargetUsingSpectra(r“c:\data\aviris_image.tif”, r”C:\data\oaks_from_usgs.esl, “SAM”, “NO_REMOVE_CONTINUUM”)
out_score_raster.save(r”c:\data\result.tif”)In diesem Beispiel wird eine Spektralsignatur mit einem Hyperspektralbild mit der Option SAM verglichen, und ein Abgleichpunktwert-Raster wird erstellt.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst") # Execute
#Define variables
InputImage = r“c:\data\ aviris_image.tif”
targetSpectra= r”c:\data\oaks_from_usgs.esl”
outputScoreRaster = r”c:\data\score_raster.tif”
Method=”SAM”
removeContinuum = “NO_REMOVE_CONTINUUM”
#Execute
out_score_raster = arcpy.ia. DetectTargetUsingSpectra (in_raster= InputImage,
in_spectra= targetSpectra,
method= Method,
remove_condimuum= removeContinuum)
out_score_raster.save(outputScoreRaster)Umgebungen
Lizenzinformationen
- Basic: Erfordert Image Analyst
- Standard: Erfordert Image Analyst
- Advanced: Erfordert Image Analyst