高光谱成像是一门使用专用传感器同时捕获多个窄波长数据的学科。高光谱数据通常表示为图像立方体，其中每个图像代表数十或数百个狭窄波长范围或光谱带中的一个。高光谱成像能够测量和分析区域或物体的光谱特征，用于农业作物健康评估、环境退化监测和组织病理学等应用。
一组高光谱图像。每张图像都是在许多狭窄的波长范围内拍摄的。
高光谱成像在哪里使用?
高光谱成像用于遥感、监视、机器视觉和医学成像等应用，其主要目的是识别材料和检测物体、异常和过程。例如，遥感中的高光谱成像涉及利用卫星或航空图像探测和识别矿物、陆地植被和人造结构。
利用基于卫星的高光谱数据来识别不同的陆地区域，根据它们的物质类型，使用最大丰度分类。
在医学成像中，组织表面的高光谱成像分析可以为组织病理学提供深刻的诊断信息。
高光谱图像诺丁汉大学，通过将光照射到组织表面，精确测量氧水平并生成氧饱和度图，从而促进临床研究人员和医生的工作。
高光谱图像处理是如何工作的?
高光谱成像首先使用高光谱图像传感器捕获一组图像，并将它们表示为三维图像高光谱数据立方体。然后可以使用各种图像处理算法对该数据立方体进行分析和处理，主要用于涉及分类、光谱匹配和解混的工作流。
一个典型的高光谱图像处理工作流程，包括表示、分析和解释高光谱图像中包含的信息。
例如，常见的高光谱图像处理技术，最大丰度分类，用于根据图像中的光谱特征对像素进行分类，并将其与对象或区域类(也称为端元类)相关联。
使用高光谱图像的最大丰度分类生成的丰度图，有九个端元类别:沥青、草地、砾石、树木、涂漆金属板、裸露的土壤、沥青、自阻塞砖和阴影。
另一个常见的任务涉及使用归一化植被指数或植被区域高光谱图像的NDVI值，并对该值应用阈值来测量该区域植被的相对健康状况。NDVI值越高，植被越健康、密度越高。
NDVI值最高的(最右边)图像用绿色表示植被更健康、更密集的区域。
用MATLAB实现高光谱成像
的高光谱成像库在MATLAB®为高光谱数据的访问、预处理、分析和处理提供了一套功能和可视化功能。
的Hyperspectral Viewer应用程序支持高光谱数据的可视化和交互式探索。您可以将高光谱数据的各个波段查看为灰度图像，也可以查看数据的彩色合成表示。该应用程序还可以创建光谱配置文件，以便识别高光谱数据中的构成元素。
用于可视化高光谱数据和光谱配置文件的Hyperspectral Viewer应用程序。
光谱解混的端元提取与丰度图估计。
MATLAB为支持高光谱成像工作流程的数据探索、可视化和算法开发提供了工具。此外,图像处理工具箱™提供一套全面的参考标准算法，可用于高光谱成像数据。
使用MATLAB绘制和可视化光谱匹配分数图。
