通过最大丰度分类(MAC)来识别高光谱图像中的不同区域。丰度图描述了高光谱图像中端元的分布。图像中的每个像素要么是纯像素，要么是混合像素。为每个像素获得的丰度值集表示在该像素中出现的每个端元的百分比。在本例中，您将对高光谱图像中的像素进行分类，方法是找到每个像素的最大丰度值并将其分配给相关的端成员类。

利用光谱角映射器(SAM)分类算法对高光谱图像中的像素进行分类。该算法通过计算一个像素的光谱与从ECOSTRESS光谱库中读取的纯光谱签名之间的光谱匹配得分，对测试数据中的每个像素进行分类。这个例子使用Jasper Ridge数据集的一个数据样本作为测试数据。测试数据包含四个潜在的端元，包括道路、土壤、水和树木。在这个例子中，你将:

使用自定义光谱卷积神经网络(CSCNN)对高光谱图像进行分类。

对高光谱图像进行预处理，并使用支持向量机分类器对其进行分类。要运行此示例，您必须拥有统计和机器学习工具箱™的许可证。

识别高光谱图像中出现的端元材料的类别。端元是表征单一表面材料象素反射率特性的纯光谱特征。现有的端元提取或识别算法对高光谱图像中的纯像素进行提取或识别。然而，这些技术不能识别端元谱所属的材料名称或类别。在本例中，您将提取端元签名，然后使用光谱匹配对高光谱图像中的端元材料进行分类或识别。

利用光谱匹配方法检测高光谱图像中的已知目标。利用已知目标材料的纯光谱特征对高光谱图像中的目标进行检测和定位。在本例中，您将使用光谱角度映射器(SAM)光谱匹配方法来检测高光谱图像中的人造屋顶材料(已知目标)。从ECOSTRESS谱库中读取屋面材料的纯光谱特征，作为光谱匹配的参考光谱。将数据立方体中所有像素的光谱特征与参考光谱进行比较，将最匹配的像素光谱归为目标材料。

通过归一化植被指数差(NDVI)图的交互阈值识别高光谱图像中的植被区域类型。高光谱数据集的NDVI图反映了高光谱数据不同区域的植被密度。利用高光谱数据立方体中的近红外(NIR)和可见红色(R)光谱波段图像计算NDVI值。

识别Landsat 8多光谱图像中的水域和植被区域，并对图像进行空间引用。