n-finder 包含高光谱图像读取及格式转换

包含高光谱图像读取及格式转换，端元提取算法N-FINDR

function N_FINDR（）

% read a hyperspectral image from sample data of ENVI.
nlines  = 254;
npixels = 3454;
nbands  = 37;
nlength = nlines*npixels;
%hs_img  = multibandread（‘cup95eff.int‘ [nlines npixels nbands] ...
                       % ‘int16‘ 0 ‘bil‘ ‘ieee-le‘）; %从二进制文件中读取BSQBILBIP数据
%hs_img= multibandread（‘F:\285-destripe_new_flaash_wv_sg_37‘[nlines npixels nbands]...
 %                     ‘double‘0‘bsq‘‘ieee-be‘）;%从二进制文件中读取BSQ文件
test_hdr=‘F:\test_img.hdr‘;%头文件的地址
maindata = ReadImg（test_hdr）;%读取头文件相应的.img高光谱数据
hs_img=maindata;

% reduct the dimensionality of image to be one less the number of end-
% mumbers by using PCA.
% standardize the data by dividing each column by its standard deviation.
hs_img = reshape（hs_img [] nbands）;%改变矩阵的形状，但是元素个数不变
meanh  = mean（hs_img）;%求均值
stdh   = std（hs_img）;%求标准差
sd_img = （hs_img-repmat（meanhnlength1））./repmat（stdhnlength1）;%repmat：将meanh作为元素复制nlength*1块%标准化图像
[pcoef score latent] = princomp（sd_img）;
                                       %做PCA。~是对主分的打分也就是原矩阵在主成分空间的表示，pcoef是元矩阵对应的协方差矩阵对的所有特征向量，latent协方差矩阵的特征值
                                       %latent是向量还是矩阵？

% determine the number of endmembers by calculating the contribution of
% %计算主成分的贡献来确定端元的数量
% principal components.
perc = cumsum（latent）/sum（latent）*100;%cumsum计算一个数据各行的累加值返回值与latent行列相同，sum是将latent的所有元素相加
Nend = sum（perc<99.5）+1;%确定端元的数量
% get the principal components.确定主成分的贡献量
pca_img = sd_img*pcoef（:1:Nend-1）;

% repeat 50 times to find the endmembers with largest
% volume.%迭代50次找到最大体积的端元
Ntimes = 50;
locs   = zeros（NtimesNend）;
V_max  = zeros（Ntimes1）;
for i = 1:Ntimes%tic和toc计算程序的时间
   
    [locs（i:） V_max（i1）] = finder（pca_img nlength Nend）;%N-finder的函数
   
end
[score ind] = max（V_max）;
loc = locs（ind :）;

% calculate the abundance of each endmember for each
% pixel.计算对于每个像素的每个端元的丰度（最小二乘法）
M   = ones（Nend）;
M（2:end:） = pca_img（loc:）‘;
C = zeros（Nend nlength）;
for i = 1:nlength
    p = [1; pca_img（i:）‘];
    C（:i） = lsqnonneg（M p）;%返回C>=0约束下norm（M*C-p）的最小值向量
%     C（:i） = lsqlin（E p [][][][]01）;
end

save（‘F:\NFINDR_res.txt‘‘C‘‘-ASCII‘）;

%stop;

% end function N_FINDR.
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [loc V_max] = finder（pca_img nlength Nend）

% randomly select pixels as initial endmembers.随机选择像素作为初始端元，求单形体的体积
ind = unidrnd（nlength 1 Nend）;%产生从1到nlength所指定的最大数数之间的离散均匀随机数，生成1*nend矩阵
E   = ones（Nend）;%产生nend*nend全是1的数组
E（2:end:） = pca_img（ind:）‘;%随机选择nend个像素组成最初的端元矩阵
dentor = factorial（Nend-1）;%求（端元-1）的阶乘
V_max  = abs（det（E））/dentor;%求E的行列式在取绝对值最后除以dentor。求体积

% find the largest volume and set the corresponding pixels as
% endmembers.找到最大的体积，并设置相应的像素作为端元
for i = 1:Nend  % loop over each endmember.循环每个端元
    i_max = ind（i）;
    for j = 1:nlength  % loop over each pixel.循环每个像素
        E（2:endi） = pca_img（j:）‘;
        V = abs（det（E））/dentor;
      

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        7865  2014-08-28 10:01  N_FINDR.m