Deep Learning for Classificationof Hyperspectral Data: A Comparative Review

Abstract

সাম্প্রতিক বছরগুলিতে, রিমোট সেন্সিং ডেটা প্রক্রিয়া করার পদ্ধতিতে গভীর শিক্ষার কৌশলগুলি বিপ্লব ঘটিয়েছিল। শ্রেণীবিন্যাস হাইপারস্পেকট্রাল ডেটা নিয়মের ব্যতিক্রম নয়, তবে রয়েছে অভ্যন্তরীণ বৈশিষ্ট্য যা গভীর শিক্ষার প্রয়োগ কম করে অন্যান্য অপটিক্যাল ডেটার চেয়ে সোজা। এই নিবন্ধ উপস্থাপন পূর্ববর্তী মেশিন লার্নিং পদ্ধতির শিল্পের একটি অবস্থা, বর্তমানে প্রস্তাবিত বিভিন্ন গভীর শিক্ষার পদ্ধতির পর্যালোচনা করে হাইপারস্পেকট্রাল শ্রেণিবিন্যাসের জন্য, এবং সমস্যাগুলি সনাক্ত করে এবং গভীর স্নায়বিক নেটওয়ার্কগুলি প্রয়োগ করতে উত্থাপিত সমস্যাগুলি এই কাজের জন্য বিশেষত, স্থানিক এবং বর্ণাল বিষয়গুলি রেজোলিউশন, ডেটা ভলিউম এবং মাল্টিমিডিয়া থেকে মডেলগুলির স্থানান্তর হাইপারস্পেকট্রাল ডেটাতে চিত্রগুলি সম্বোধন করা হয়। অতিরিক্তভাবে, ক নেটওয়ার্ক আর্কিটেকচারের বিভিন্ন পরিবারের তুলনামূলক অধ্যয়ন সরবরাহ করা হয় এবং অনুমতি দেওয়ার জন্য একটি সফ্টওয়্যার টুলবক্স প্রকাশ্যে প্রকাশ করা হয় এই পদ্ধতিগুলির সাথে পরীক্ষামূলকভাবে পরীক্ষা করা .. এই নিবন্ধটি এর জন্য উদ্দিষ্ট হাইপারস্পেকট্রাল ডেটার সাথে আগ্রহী এবং উভয় ডেটা বিজ্ঞানী দূরবর্তী সংবেদনের বিশেষজ্ঞরা গভীর শিক্ষার কৌশল প্রয়োগ করতে আগ্রহী তাদের নিজস্ব ডেটাসেটে।

I. INTRODUCTION

চিত্রের জন্য গভীর শিক্ষায় সাম্প্রতিক অগ্রগতির জন্য ধন্যবাদপ্রক্রিয়াজাতকরণ এবং প্যাটার্ন স্বীকৃতি, রিমোট সেন্সিং ডেটা শ্রেণিবিন্যাস গত কয়েক বছরে অসাধারণ অগ্রগতি করেছে। মধ্যেনির্দিষ্ট, স্ট্যান্ডার্ড অপটিক্যাল চিত্র (Red-Green-Blue –RGB–and Infra-Red –IR–) গভীর সমঝোতা ব্যবহার করে উপকৃত হয়েছেশ্রেণিবিন্যাস, অবজেক্ট সনাক্তকরণ বা শব্দার্থক বিভাগ [1], [2], [3] এর মতো কাজের জন্য নিউরাল নেটওয়ার্ক (CNN)। এইউন্নত মডেলগুলির স্থানান্তর দ্বারা সম্ভব হয়েছিল কম্পিউটার দৃষ্টি, যা বেশিরভাগ এনকোড করা চিত্রগুলিতে ফোকাস করে তিনটি চ্যানেলে। তবে, রিমোট সেন্সিং প্রায়শই নির্ভর করে মাল্টিসেপেক্টাল চিত্র (coming from satellites such as Sentinel2 or Landsat, or from airborne sensors) যা ক্যাপচার করতে দেয়একসাথে বেশ কয়েকটি তরঙ্গদৈর্ঘ্য ব্যান্ডের তেজ হাইপারস্পেকট্রাল ইমেজিং (HSI) ডেটা মাল্টিস্পেকট্রালের একটি উপসেটডেটা যার জন্য তরঙ্গদৈর্ঘ্য রেজোলিউশন সূক্ষ্ম, তরঙ্গদৈর্ঘ্য ব্যান্ডগুলি সুসংগত এবং তাদের পরিসীমা বিশেষত উচ্চ এটা মাটি এবং উপকরণগুলির একটি বিশ্লেষণ সম্ভব করে তোলে [৪],[5]।

আসলে, উচ্চ spectral resolution characterize করতে দেয় অবজেক্ট এর  electromagnetic spectrum। যাহোক,অধিকাংশ ক্ষেত্রে বেশিরভাগ হাইপারস্পেকট্রাল সেন্সরগুলির স্বল্প স্থানিক রেজোলিউশন থাকে কম্পিউটার দর্শনের জন্য ডিজাইন করা deep learning  কৌশলগুলি যেহেতু হাইপারস্পেকট্রাল ডেটা কিউবে সহজে স্থানান্তরিত হয় না,  বর্ণালি মাত্রা এর স্থানগত neighborhood  জুড়ে বিরাজ করে . যদি আজকের অপটিকাল চিত্রগুলির সাথে তুলনা করা হয়, তবে ডেটাগুলির  volume একই রকম,  তবে কাঠামো সম্পূর্ণ আলাদা। তদুপরি, নিম্ন স্থানিক রেজোলিউশনটি আসলে সীমাবদ্ধ করে পরিসংখ্যান মডেলদের প্রশিক্ষণের জন্য উপলব্ধ নমুনার সংখ্যা।এটি annotation process যা আরও জটিল করে তোলে supervised learning ক্ষেত্রে,  যেহেতু বস্তুর চেয়ে ছোটস্থানিক রেজোলিউশন তাদের neighborhood সাথে মিশ্রিত হয়। এই গুলো দুটি পয়েন্ট ব্যবহার করার জন্য গ্রহণ করা প্রধান চ্যালেঞ্জ, প্রয়োজনীয় গভীর শিক্ষণ প্রসেসিংয়ের    জন্য hyperspectral image processing 

এই নিবন্ধটির উদ্দেশ্য তথ্য বিজ্ঞানীদের মধ্যে ব্যবধানটি কমিয়ে আনতে এবং হাইপারস্পেকট্রাল রিমোট সেন্সিং বিশেষজ্ঞ। সুতরাং, এটি গভীর শিক্ষার উপর পূর্ববর্তী পর্যালোচনার চেয়ে বেশি মনোনিবেশ করা হয়েছে []] গভীর শিক্ষার থেকে হাইপারস্পেকট্রাল বিশেষত্ব উপস্থাপন করার সময় দৃষ্টিকোণ, [7] থেকে পৃথক। আমরা প্রথমে হাইপারস্পেকট্রাল ইমেজিংয়ের কিছু নীতিগুলির সংক্ষিপ্তসার করি এবং জনসাধারণের ব্যবহারের জন্য উপলব্ধ কিছু রেফারেন্স ডেটাসেটগুলি তালিকাভুক্ত করি। এরপরে আমরা গভীর শিক্ষার সাথে সাম্প্রতিক কাজগুলিতে ফোকাস করার আগে শ্রেণিবিন্যাসের জন্য ব্যবহৃত কিছু মানক মেশিন শেখার কৌশলগুলি পর্যালোচনা করি, যেখানে বিদ্যমান নেটওয়ার্কগুলির তুলনা পরীক্ষামূলক বিশ্লেষণ দ্বারা সমর্থিত। আমরা অবশেষে উদীয়মান গবেষণা অক্ষগুলির উপর জোর দিয়ে শেষ করি।

II. HYPERSPECTRAL IMAGING: PRINCIPLES AND RESOURCES

A. Hyperspectral imaging principles in a nutshell

হাইপারস্পেকট্রাল সেন্সরগুলি আলোকসজ্জার তীব্রতা পরিমাপ করে প্রদত্ত পৃষ্ঠ এবং প্রদত্ত তরঙ্গদৈর্ঘ্যের জন্য ফ্লাক্স, অর্থাৎ প্রতি স্কোয়ার মিটার স্ট্রেডিয়ান (W / (sr.m2)) প্রতি ওয়াটের একটি দৈহিক পরিমাণ। অবিকল, প্রতিটি পৃষ্ঠের ইউনিট প্রতি (যা চিত্রের একটি পিক্সেলের সাথে মিলে যায়) সেন্সরটি কয়েক শতাধিক চ্যানেলের বর্ণালী হিসাবে বস্তুটির দ্বারা নির্গ আলোকে প্রতিবিম্বিত করে এবং ধরে রাখে, যা বর্ণালী প্রতিক্রিয়া বক্ররেখাকে সংজ্ঞায়িত করে

আর্থ পর্যবেক্ষণ প্রসঙ্গে, সংকেতগুলি থেকে আগত পৃথিবীর উপরিভাগ বায়ুমণ্ডলীয় সঙ্কোচনের মাধ্যমে পরিবর্তিত হয় যেমন মেঘ, জলীয় বাষ্প বায়ুমণ্ডলীয় অ্যারোসোলস ইত্যাদি সুতরাং, পৃষ্ঠতল এবং জমি কভার রিমোট সংবেদনের জন্য, প্রতিবিম্বটি অগ্রাধিকার হিসাবে ব্যবহৃত হয়, পৃষ্ঠের নির্গত প্রবাহ এবং প্রাসঙ্গিক প্রবাহের মধ্যে অনুপাত হিসাবে সংজ্ঞায়িত। এই অনুপাত প্রতিটি হালকা তরঙ্গদৈর্ঘ্য ব্যান্ডের জন্য একটি প্রদত্ত বস্তুর প্রতিবিম্বিত কার্যকারিতা দেয় প্রতিচ্ছবি পরিবেশের থেকে স্বাধীনভাবে উপকরণগুলির একটি স্বতন্ত্র সম্পত্তি, এবং এইভাবে শ্রেণিবদ্ধকরণের উদ্দেশ্যে অত্যন্ত বৈষম্যমূলক।

 Fig. 1: Pavia University (natural composite image)

Fig. 2: Data Fusion Contest 2018 [12] over Houston: composite image with bands 48, 32 and 16 (top) and ground-truth (bottom row).

বায়ুমণ্ডলীয় সঙ্কোচনের জন্য ক্ষতিপূরণ দেওয়ার জন্য, বেশ কয়েকটি বায়ুমণ্ডলীয় সংশোধন পদ্ধতি তৈরি করা হয়েছে [8], [9],[10] স্থলভাগের বৈশিষ্ট্যগুলি চিহ্নিত করতে সক্ষম পদক্ষেপগুলি পেতে [11]। তারা তীব্রতা চিত্রগুলিকে ইনপুট হিসাবে গ্রহণ করে এবং বায়ুমণ্ডলের আলো ছড়িয়ে পড়ার প্রভাব এবং রেডিয়েটিভ ঘটনা থেকে মুক্তি পেয়ে প্রতিবিম্ব চিত্র তৈরি করে। এগুলি বিস্তৃত পদার্থবিজ্ঞানের মডেলগুলির উপর ভিত্তি করে এবং সূর্যালোকের স্তর বা স্থানীয় ডিজিটালের মতো অ্যাকাউন্ট অধিগ্রহণের প্যারামিটারগুলিতে নেয়একাধিক প্রতিবিম্ব ঘটনাটি মোকাবেলা করার জন্য পৃষ্ঠের মডেল।অনুশীলনে, হাইপারস্পেকট্রাল চিত্রগুলি হ'ল ((w, h, B) টেনারগুলি, অর্থাৎ।দুটি স্থানিক মাত্রা সহ ত্রিমাত্রিক কিউব (width w and height h) এবং বর্ণালী একটি (with B bands)ভলিউম্যাট্রিক ডেটার তুলনায়, উদাঃ ভূমিকম্পের ডেটা কিউব, এটি তথাকথিত হাইপার কিউব অ্যানিসোট্রপিক: তিনটি মাত্রা প্রতিনিধিত্ব করে না একই শারীরিক স্থানচ্যুতি।তবে হাইপার কিউবে সমস্ত মান একই ইউনিটে প্রকাশিত হয়, হয় হালকা তীব্রতা বা প্রতিফলন,যা ঘনক এবং শারীরিকভাবে বৈধ কিউবের একটি 3 ডি উপসেটে রৈখিক ক্রিয়াকলাপ তৈরি করে।কনভোলশনের সাথে কাজ করার সময় এই সম্পত্তিটি কাজে আসবেএবং হাইপারকিউবে ফিল্টারিং অপারেশন।

B. Reference datasets

বেশ কয়েকটি পাবলিক ডেটাসেট  captured একটি হাইপারস্পেকট্রাল সেন্সর ব্যবহার করে বৈজ্ঞানিক সম্প্রদায়ের কাছে উপলব্ধ করা হয়েছে।এগুলি সাধারণত মূল্যায়নের জন্য টীকা সহ আসে শ্রেণিবিন্যাস পারফরম্যান্স।Pavia, Indian Pines and Data Fusion Contest 2018 are presented in details in the following.।অন্যান্য মানএগুলির মধ্যে রয়েছে Salinas (captured with the AVIRIS sensor over the Salinas Valley, Cal., USA  and composed of classes such as vegetable cultures,  vineyeard and bare soils),Kennedy Space Center  (কেনেডির ওপরেও AVIRIS সহ স্পেস সেন্টার, যেমন জলাভূমি এবং বিভিন্ন ধরণের ক্লাস সহবন্য উদ্ভিদের) এবং Botswana বতসোয়ানা (হাইপারিওনের সাথে captured EO’1 স্যাটেলাইট থেকে উদ্ভিদের 14 ক্লাস সহ সেন্সর Okavango delta বদ্বীপে জলাবদ্ধতাগুলি)।সবার বৈশিষ্ট্য তালিকাভুক্ত করা হয়েছে এবং সারণি প্রথমটিতে তুলনা করা হলেও কয়েকটি এখন বিশদে উপস্থাপন করা হয়েছে।

1) পাভিয়া: পাভিয়া হ'ল একটি ডেটাসেট যা রোসআইএস সেন্সর ব্যবহার করে ইতালির পাভিয়া শহর জুড়ে 1.3 মিটার স্থল নমুনা দূরত্ব (জিএসডি) ব্যবহার করে (সিএফ।ডুমুর। 1). এটি দুটি ভাগে বিভক্ত: পাভিয়া বিশ্ববিদ্যালয় (103 ব্যান্ড, 610 × 340px) এবং পাভিয়া সেন্টার (102 ব্যান্ড, 1096 × 715px)। 9 টি শ্রেণীর আগ্রহের উপর পুরো পৃষ্ঠের 50% আচ্ছাদন রচনা করা হয়। তারাবিভিন্ন শহুরে উপকরণ (such as bricks, asphalt, metals), জল এবং উদ্ভিদ সমন্বিত। এটি দীর্ঘ সময়ের জন্য মূল রেফারেন্স ডেটাসেটগুলির মধ্যে একটি কারণ এটি বৃহত্তম লেবেলযুক্ত এইচএসআই এর মধ্যে একটিডেটা এবং কারণ এটি সম্ভাব্য অ্যাপ্লিকেশনগুলির জন্য এইচএসআই ব্যবহারের মূল্যায়ন করতে দেয়। যাইহোক, কোনও বর্ণাল তথ্য না থাকা এবং পিক্সেল অপসারণের জন্য কিছু প্রাক প্রসেসিং প্রয়োজন হতে পারে এবং গ্রাউন্ড-সত্যে কয়েকটি ত্রুটি দেখা দেয়।

2) ডেটা ফিউশন প্রতিযোগিতা 2018 (DFC2018): DFC ২০১৮হাইপারস্পেকট্রাল ডেটা ((cf. Fig. 2) সেন্ট্রালের উপর অধিগ্রহণ করা হয়েছিল যুক্তরাষ্ট্রের টেক্সাসের হিউস্টন একটি airborne sensor ব্যবহার করছে। এটি জুড়ে 380–1,050] nm বর্ণালি পরিসীমা 48 টির মতো সংলগ্ন ব্যান্ড 1 m GSD. এ আগ্রহের 20 ক্লাস সংজ্ঞাযুক্ত এবং অন্তর্ভুক্ত করা হয়েছেনা শুধুমাত্র শহর বিভাগ (buildings and roads of various types, railways, cars, trains, etc.) তবে বিভিন্ন উদ্ভিদ প্রকারগুলি (stressed, healthy, deciduous or evergreen trees ) এবংনির্দিষ্ট উপকরণ এই ডেটাসেটটি 2018 ডেটা ফিউশনের অংশপ্রতিযোগিতা প্রকাশ, খুব উচ্চ-রেজোলিউশন চিত্রাবলী সহ এবংমাল্টিস্পেকট্রাল LiDAR [12], [13]।

3) Indian Pines: Indian Pines is একটি AVIRIS sensor  ব্যবহার করে ডেটাসেট।এই দৃশ্যটি মার্কিন যুক্তরাষ্ট্রের উত্তর পশ্চিম ইন্ডিয়ানাতে অবস্থিত কৃষিজ অঞ্চল গুলিকে 20 মি / পিক্সারের ground sampling distance (GSD) সহ কভার করে, যার ফলে 224 বর্ণাল ব্যান্ডের সাথে 145 × 145px imag পাওয়া যায়।চিত্রের বেশিরভাগ অংশ বিভিন্ন ফসলের ক্ষেত্রের প্রতিনিধিত্ব করে এবং বাকী অংশ বন এবং ঘন উদ্ভিদকে বোঝায়। 16  টি ক্লাস (cf. Fig. 3 and 4) লেবেলযুক্ত (উদাঃ ভুট্টা, ঘাস, সয়াবিন, কাঠ ইত্যাদি), তাদের কয়েকটি খুব বিরল (alfalfa or oats  জন্য 100 টিরও কম নমুনা)।জল শোষণ ব্যান্ডগুলি (104 → 108, 150 → 163 এবং 220) সাধারণত প্রক্রিয়া করার আগে সরিয়ে ফেলা হয়। এর সীমিত আকার সত্ত্বেও, এটি সম্প্রদায়ের অন্যতম প্রধান রেফারেন্স ডেটাসেট। যদিও, শ্রেণিবদ্ধকরণ অ্যালগরিদমের মূল্যায়ন করার সময় evaluating classification  সাধারণত বিবেচনায় নেওয়া হয় না।

4) Dataset summary:

বিভিন্ন ডেটা পরিসংখ্যান এবং তথ্য সারণী 1 এ সংকলিত হয়েছে।এটি হাইলাইট করেহাইপারস্পেকট্রাল ডেটাতে মেশিন লার্নিং পদ্ধতির প্রয়োগের মূল সমস্যাটি পাওয়া যায় এমন নমুনার অল্প সংখ্যায় স্ট্যান্ডার্ড অপটিক্যাল চিত্রের ক্ষেত্রে বিদ্যমান ডাটাবেসগুলি ছোট। অধিকন্তু, সেন্সরের বৈচিত্র্য এবং পোস্টপ্রসেসিং পদ্ধতির কারণে অ্যালগোরিদমগুলি প্রশিক্ষণ দেওয়া সম্ভব নয়একই সাথে বিভিন্ন ডেটাসেটে।তবুও এই ডেটাসেটগুলি উপলভ্য এবং রয়েছেভাল ইচ্ছার জন্য ধন্যবাদ বছরের জন্য গবেষকদের মধ্যে ভাগ করে নেওয়া.

তবুও এই ডেটাসেটগুলি উপলভ্য এবং বিশ্ব 2-র মধ্যে কিছু গবেষণা গোষ্ঠীর শুভ ইচ্ছার জন্য বছরের পর বছর ধরে গবেষকদের মধ্যে ভাগ করা হয়েছে।তদুপরি, IEEE GRSS  সম্প্রদায়কে GRSS ডেটা এবং Algorithm Standard Evaluation (DASE)  ওয়েবসাইট 3. সরবরাহ করছে। DASE,  গবেষকরা ইন্ডিয়ান পাইাইনস, পাভিয়া এবং DFC2018 এর ডেটা অ্যাক্সেস করতে পারবেন এবং অনলাইনে মূল্যায়ন করা শ্রেণিবদ্ধকরণ মানচিত্র জমা দিতে পারবেন। প্রতিটি ডেটাসেটের জন্য, কোনও লিডার-বোর্ড পরীক্ষিত হওয়ার সাথে সাথে অত্যাধুনিক পদ্ধতির তুলনা করতে দেয়।

Fig. 3: Indian Pines (natural composite image)

III. HYPERSPECTRAL IMAGE ANALYSIS ISSUES AND STANDARD APPROACHES

এই বিভাগটি সংক্ষিপ্তভাবে স্ট্যান্ডার্ড সমস্যা এবং বর্তমানের কথা স্মরণ করেহাইপারস্পেকট্রাল ডেটা প্রসেসিংয়ের জন্য পন্থা। বিশেষত, শ্রেণিবদ্ধকরণের জন্য supervised statistical learning পদ্ধতিগুলিতারা সুস্পষ্ট baselines and inspiration  এবং deep learning-based methods র জন্য অনুপ্রেরণার কারণে বিশদ। 

Fig. 4: Examples of train/test splits on the Indian Pines dataset

A. Pre-processing and normalization

হাইপারস্পেকট্রাল ইমেজগুলির সাথে কাজ করা অর্থ প্রায়শই ডেটা প্রিপ্রোসেসিংয়ের বোঝায়। উল্লিখিত aforementioned atmospheric এবং geometric corrections, band selection and normalization প্রায়শই প্রয়োগ করা হয়। এই সাধারণীকরণগুলি প্রভাবিত করবে কীভাবে শ্রেণিবদ্ধরা নীচে বর্ণিত পদ্ধতিতে বর্ণালী বৈশিষ্ট্যগুলি পৃথক করতে সক্ষম।

1) Band selection:

সেন্সরের উপর নির্ভর করে কিছু বর্ণালী ব্যান্ডগুলি প্রক্রিয়া করা বা স্প্রেট্রামের গতিবিদ্যা পরিবর্তন করে এমন আউটলিয়ারগুলি ধারণ করা কঠিন হতে পারে। উদাহরণ স্বরূপ,আমরা প্রায়শই জল শোষণ সম্পর্কিত ব্যান্ডগুলি, low signal-tonoise ratio and saturated values  সহ ব্যান্ডগুলি সরিয়ে ফেলি।এটি কেবল উপাত্তগুলিতে উপস্থিত noise কে বাদ দিয়ে শ্রেণিবদ্ধদের দৃরতার উন্নতি করে না,এটি পরিমিতিগুলির সুপরিচিত অভিশাপের বিরুদ্ধে লড়াই করতে সহায়তা করে যা পরিসংখ্যানগত শ্রেণিবদ্ধকরণের মডেলগুলির ক্রমহ্রাসমান পারফরম্যান্সকে প্ররোচিত করে যখন ডেটার মাত্রা বৃদ্ধি পায়।ব্যান্ড নির্বাচন অপ্রয়োজনীয় ব্যান্ড বাদ দিয়ে ব্যবহার করা যেতে পারে, উদাঃ Principal Component Analysis (PCA) ব্যবহার করে [14] বা পারস্পরিক তথ্য [15]।তবে, ব্যান্ড নির্বাচনটি সাবধানতার সাথে করা উচিত।নিরীক্ষণযুক্ত মাত্রা হ্রাস কখনও কখনও কাঁচা ডেটা ব্যবহার করার চেয়ে খারাপ কার্যকারিতা ঘটাতে পারে কারণ এটি এমন তথ্য মুছে ফেলতে পারে যা সংকোচনের জন্য দরকারী নয় তবে শ্রেণিবিন্যাসের জন্য বৈষম্যমূলক [16]

2) Statistical normalization:
মেশিন লার্নিং সম্প্রদায়ের সাধারণ অনুমানের উপর নির্ভর করার জন্য ডেটা স্বাভাবিক করার আগেই এটি একটি সাধারণ অনুশীলন, যার জন্য শ্রেণিবদ্ধকারীরা  zero-mean and unit-variance র মতো ভাল আচরণ করতে পারে । স্ট্যান্ডার্ড কৌশলগুলি প্রায়শই পরিসংখ্যানগত পদ্ধতির সাথে প্রসেসিংয়ে উল্লেখযোগ্যভাবে উন্নতি করতে দেয়।আমরা Xi individual spectra এবং পুরো চিত্রটি দ্বারা চিত্রিত করি। এই কৌশলগুলি নিছে আছে :

1. বর্ণালী কোণ ব্যবহার করে, unit Euclidean  আদর্শ সহ বর্ণালীটির স্বাভাবিক রূপ:  : X = X/kXk; দুটি বর্ণালীর মধ্যে কোণ একটি সাধারণ মিল শ্রেণিবিন্যাসের জন্য ব্যবহৃত পরিমাপ, বিশেষভাবে জনপ্রিয় Spectral Angle Mapper (SAM) classifier [17]. [17]।
2. প্রথম এবং দ্বিতীয়-ক্রমের মুহুর্তগুলিকে সাধারণকরণ (যাতে এটি করা যায়)একটি শূন্য গড় এবং ইউনিটের বৈকল্পিকতা অর্জন করুন)। এটি করা যেতে পারেপ্রতিটি ব্যান্ডের জন্য স্বাধীনভাবে, যা বিশেষত ভাল কাজ করে শ্রেণিবদ্ধ কারীদের সাথে যা সমস্ত বৈশিষ্ট্য একই রকমের প্রত্যাশা করে প্রশস্ততা, যেমন Support Vector Machines । যাহোক,এটি বর্ণালী squashes the dynamics  spectral dimension।বিকল্পভাবে, globally টি স্বাভাবিককরণের মাধ্যমে করা যেতে পারেপুরো চিত্র: 

 Converting the dynamics to [0, 1] using I = I−min(I) max(I)−min(I) .