| Étiquette | Explication | Type de données |
Raster en entrée | Image multicanal. Des informations sur la longueur d’onde sont requises lorsque les spectres cible sont un fichier de bibliothèque et un raster de réflectance de surface est recommandé si les données de spectre en entrée proviennent d’une bibliothèque spectrale. | Mosaic Layer; Raster Layer; Image Service; Raster Dataset; Mosaic Dataset |
Fichier de spectres en entrée | Fichier de signature spectrale. L’entrée peut être un fichier de la galerie d’outils d’analyse spectrale qui contient des signatures spectrales, ou une classe d’entités créée à partir du processus de collecte spectrale. | Feature Layer; File |
Raster de score en sortie | Jeu de données raster contenant les scores d’appariement entre l’image en entrée et le fichier de signature spectrale. Lorsque le raster en entrée contient plusieurs signatures spectrales, le raster en sortie est multicanal avec une bande par signature. Les scores d’appariement sont compris entre 0 et 1 sous forme de nombre à virgule flottante dans lequel les valeurs importantes proches de 1 représentent un appariement à forte probabilité. Utilisez l’extension de fichier pour préciser le format en sortie, notamment .tif (TIFF), .crf (CRF) et .dat (ENVI DAT). | Raster Dataset |
Méthode de détection (Facultatif) | Spécifie la méthode qui sera utilisée pour calculer les scores d’appariement entre l’image en entrée et le fichier de signature spectrale. Tous les scores sont normalisés de 0 à 1, où un score élevé correspond à un meilleur appariement.
| String |
Supprimer le continuum (Facultatif) | Indique si les spectres seront normalisés à partir d’une image ou de données de référence.
| Boolean |
Disponible avec une licence Image Analyst.
Synthèse
Identifie les pixels dans une image qui correspondent à une signature spectrale.
Utilisation
L’outil calcule un score d’appariement pour chaque pixel et génère un raster de score d’appariement.
Cet outil prend en charge plusieurs formes d’entrée de spectres, notamment un fichier de la galerie d’outils d’analyse spectrale Esri (.esl) créé à partir de la fenêtre Navigation dans la galerie d’outils d’analyse spectrale ou de l’outil Visionneuse spectrale, ou une classe d’entités générée à partir de la fenêtre Gestionnaire d’échantillons d’entraînement.
Le nombre de bandes dans l’image en entrée et les données spectrales en entrée doivent correspondre si le spectre en entrée est une classe d’entités d’échantillons d’entraînement.
La sortie est un raster multicanal si le fichier de bibliothèque contient plusieurs signatures spectrales.
Si les spectres en entrée proviennent d’un fichier de la galerie d’outils d’analyse spectrale (.esl ou .sli), le ré-échantillonnage spectral est appliqué en utilisant une méthode de calcul de la moyenne des bandes si le nombre de bandes ne correspond pas. Vous pouvez également ré-échantillonner les spectres à l’aide de l’outil Ré-échantillonner les spectres de bibliothèque.
Si les données spectrales proviennent d’une bibliothèque spectrale dans laquelle les valeurs de réflectance sont comprises entre 0 et 1, comme la bibliothèque spectrale USGS, le raster de réflectance de surface en entrée doit également contenir des valeurs comprises entre 0 et 1.
Si l’image en entrée n’est pas comprise entre 0 et 1, comme les images 8 bits ou 16 bits, il est recommandé de collecter la signature spectrale du matériau à partir des images à l’aide de l’outil Visionneuse de signature spectrale. Activez éventuellement le paramètre Supprimer le continuum pour normaliser les spectres.
Les options du paramètre Méthode de détection décrites ci-dessous permettent de calculer les scores d’appariement entre l’image en entrée et le fichier de signature spectrale :
- SAM : la méthode Spectral Angle Mapper mesure l’angle entre le spectre cible et le spectre de pixels. Cette option n’est pas sensible aux modifications d’éclairage.
- SID : la méthode Divergence des informations spectrales mesure la divergence entre les distributions des probabilités du spectre cible divisée par le spectre de pixels. Cette option est efficace pour identifier les spectres de pixels mixtes.
- SID-SAM : le produit du score Divergence des informations spectrales et de la tangente du score Spectral Angle Mapper est calculé. Cette option contient une meilleure fonction de discrimination que les options SID et SAM utilisées individuellement.
- NS3 : la méthode Similarité spectrale normalisée calcule le score d’appariement spectral à partir de la distance euclidienne et du score Spectral Angle Mapper. Cette option contient une fonction de discrimination élevée, mais requiert des données de référence complètes pour une exactitude optimale.
- ACE : la méthode Adaptive Cosine Estimator estime la similarité entre un vecteur cible (représentant l’objet d’intérêt) et la signature spectrale d’un pixel, après la normalisation pour éliminer le bruit de fond. Utilisez cette option lorsque l’image hyperspectrale est fortement encombrée en arrière-plan.
- CEM : la méthode Constrained Energy Minimization utilise un filtre Finite Impulse Response (FIR) dont la réponse à un spectre de pixels est supérieure lorsque le spectre est plus similaire au spectre cible. Utilisez cette option lorsque le bruit de fond est minime.
- MF : la méthode Matched Filter utilise un filtre FIR dont la réponse à un spectre de pixels soustrait de la moyenne est supérieure lorsque le spectre est plus similaire au spectre cible soustrait de la moyenne. Utilisez cette option lorsque le bruit de fond est un bruit gaussien blanc additif.
Lorsque le paramètre Supprimer le continuum est activé, une enveloppe convexe passe par un spectre à l’aide de segments de ligne droite qui relient les valeurs minimales des spectres locaux. Le continuum est supprimé en le divisant entre le spectre réel pour chaque pixel de l’image et les spectres en entrée. Cela permet de comparer les entités d’absorption à partir d’une ligne de base commune.
Paramètres
DetectTargetUsingSpectra(in_raster, in_spectra, out_score_raster, {method}, {remove_continuum})| Nom | Explication | Type de données |
in_raster | Image multicanal. Des informations sur la longueur d’onde sont requises lorsque les spectres cible sont un fichier de bibliothèque et un raster de réflectance de surface est recommandé si les données de spectre en entrée proviennent d’une bibliothèque spectrale. | Mosaic Layer; Raster Layer; Image Service; Raster Dataset; Mosaic Dataset |
in_spectra | Fichier de signature spectrale. L’entrée peut être un fichier de la galerie d’outils d’analyse spectrale qui contient des signatures spectrales, ou une classe d’entités créée à partir du processus de collecte spectrale. | Feature Layer; File |
out_score_raster | Jeu de données raster contenant les scores d’appariement entre l’image en entrée et le fichier de signature spectrale. Lorsque le raster en entrée contient plusieurs signatures spectrales, le raster en sortie est multicanal avec une bande par signature. Les scores d’appariement sont compris entre 0 et 1 sous forme de nombre à virgule flottante dans lequel les valeurs importantes proches de 1 représentent un appariement à forte probabilité. Utilisez l’extension de fichier pour préciser le format en sortie, notamment .tif (TIFF), .crf (CRF) et .dat (ENVI DAT). | Raster Dataset |
method (Facultatif) | Spécifie la méthode qui sera utilisée pour calculer les scores d’appariement entre l’image en entrée et le fichier de signature spectrale. Tous les scores sont normalisés de 0 à 1, où un score élevé correspond à un meilleur appariement.
| String |
remove_continuum (Facultatif) | Indique si les spectres seront normalisés à partir d’une image ou de données de référence.
| Boolean |
Exemple de code
Cet exemple compare une signature spectrale avec une image hyperspectrale à l’aide de l’option SAM et crée un raster de score d’appariement.
# 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”)Cet exemple compare une signature spectrale avec une image hyperspectrale à l’aide de l’option SAM et crée un raster de score d’appariement.
# 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)Environnements
Informations de licence
- Basic: Nécessite Image Analyst
- Standard: Nécessite Image Analyst
- Advanced: Nécessite Image Analyst
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?