在多光谱图像中寻找植被

本例演示如何使用MATLAB数组算法处理图像和绘制图像数据。特别是，该示例使用三维图像阵列，其中三个平面表示来自电磁频谱不同部分的图像信号，包括可见光红色和近红外（NIR）通道。

图像数据差异可以用来区分图像的不同表面特征，这些特征在不同的光谱通道上具有不同的反射率。通过发现可见红色和近红外通道之间的差异，该示例确定了包含重要植被的区域。
步骤1：从多光谱图像文件导入彩色红外通道

此示例在覆盖法国巴黎部分地区的陆地卫星专题制图器图像中发现植被，由Space Imaging，LLC提供。七个光谱通道（波段）以Erdas LAN格式存储在一个文件中。局域网文件，巴黎.lan，包含7通道512×512陆地卫星图像。128字节的报头后接像素值，像素值按带数递增顺序进行带间交织（BIL）。像素值存储为无符号的8位整数，以小字节顺序结束。

第一步是使用MATLAB函数multibandread从LAN文件中读取频带4、3和2。

通道4、3和2覆盖电磁光谱的近红外（NIR）、可见红和可见绿部分。当它们分别映射到RGB图像的红色、绿色和蓝色平面时，结果是标准彩色红外（CIR）合成。multibandread的最后一个输入参数指定要读取的带和顺序，以便您可以在一个步骤中构造复合。
变量CIR是uint8类的512×512×3数组。这是一个RGB图像，但有假颜色。显示图像时，红色像素值表示近红外通道，绿色值表示可见的红色通道，蓝色值表示可见的绿色通道。

在CIR图像中，水景非常暗（塞纳河），绿色植被呈现红色（公园和遮荫树）。许多图像的出现是由于健康的、富含叶绿素的植被在近红外波段具有高反射率。由于近红外通道被映射到合成图像中的红色通道，因此任何具有高植被密度的区域都会在显示中显示为红色。一个值得注意的例子是左边缘的鲜红色区域，这是一个位于巴黎市中心以西、位于塞纳河湾内的大型公园（Bois de Boulgne）。

通过分析近红外和红色通道之间的差异，可以量化植被区域和其他表面（如路面、裸土、建筑物或水）之间光谱含量的这种对比。

步骤2：构建近红外红色光谱散射图

当比较近红外通道（显示为红色像素值）和可见的红色通道（显示为绿色像素值）时，散点图是一个自然的起点。从原始的CIR合成中提取这些通道到单个变量是很方便的。将类uint8转换为类single也很有帮助，这样在下面的NDVI计算以及散点图中也可以使用相同的变量。
将两个通道作为灰度图像一起查看，可以看到它们的外观有一些不同。

只需调用MATLAB中的plot命令，就可以创建一个散点图，显示每个像素一个点（在本例中为蓝色十字），其x坐标由其在红色通道中的值确定，y坐标由其在近红外通道中的值确定。

巴黎风景区散点图的出现是一个温带城市地区的特点，夏季树叶丛生。在对角线附近有一组像素，其近红外和红色值几乎相等。这种“灰色边缘”包括路面和许多屋顶等特征。左上方是另一组像素，其近红外值通常远高于红色值。这个地带基本上覆盖了所有的绿色植被。

变量ndvi是一个单类二维数组，理论最大范围为[-11]。当将ndvi显示为灰度图像时，可以指定这些理论限制。
在NDVI图像中，塞纳河显得非常黑暗。图片左边缘附近的大型灯光区域是前面提到的公园（Bois de Boulogne）。

第四步：定位植被——对NDVI图像进行阈值处理

为了识别最有可能包含重要植被的像素，对NDVI图像应用一个简单的阈值。
在显示逻辑（二进制）图像q时，公园和其他较小的植被区域默认显示为白色。

步骤5：链接光谱和空间内容

要链接光谱和空间内容，可以在近红外红色散点图上找到阈值以上的像素，用对比色（绿色）中的阈值以上像素重新绘制散点图，然后使用相同的蓝绿色配色方案重新显示阈值NDVI图像。如预期的那样，具有高于阈值的NDVI值的像素出现在其余像素的左上角，并且对应于CIR复合显示中较红的像素。

创建散点图，然后显示阈值NDVI。