光谱信息散度SID与光谱角SAM

光谱信息散度SID

import numpy as np

# 计算SID
def SID(x,y):
    # print(np.sum(x))
    p = np.zeros_like(x,dtype=np.float)
    q = np.zeros_like(y,dtype=np.float)
    Sid = 0
    for i in range(len(x)):
        p[i] = x[i]/np.sum(x)
        q[i] = y[i]/np.sum(y)
        # print(p[i],q[i])
    for j in range(len(x)):
        Sid += p[j]*np.log10(p[j]/q[j])+q[j]*np.log10(q[j]/p[j])
    return Sid

SAM

SAM算法是由Kruse等[146]在1993年提出，把图像中的每个像元的光谱视为一个高维向量，通过计算两向量间的夹角来度量光谱间的相似性，夹角越小，两光谱越相似，属于同类地物的可能性越大，因而可根据光谱角的大小来辨别未知数据的类别。分类时，通过计算未知数据与已知数据间的光谱角，并把未知数据的类别归为最小光谱角对应的类别中。
根据两向量间的余弦来计算两向量间（X*未知向量，Xi已知向量）的夹角，即：

计算未知向量与所有已知向量的夹角，将其认为和夹角最小的向量同类别。

实现代码：

# 计算SAM
def SAM(x,y):
    s = np.sum(np.dot(x,y))
    t = np.sqrt(np.sum(x**2))*np.sqrt(np.sum(y**2))
    th = np.arccos(s/t)
    # print(s,t)
    return th