Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure

要約

ハイパースペクトル画像 (HSI) のスペクトル アンミキシング (SU) は、リモート センシング (RS) の重要な領域の 1 つであり、さまざまな RS アプリケーションで慎重に対処する必要があります。
ハイパースペクトル データのスペクトル解像度が高いにもかかわらず、センサーの空間解像度が比較的低いため、画像ピクセル内に異なる純粋な物質が混在する可能性があります。
この場合、センサーによって記録された特定のピクセルのスペクトルは、それぞれがそのピクセル内の固有の材料に属する複数のスペクトルの組み合わせである可能性があります。
次に、混合ピクセル内のさまざまな材料のスペクトル特性を抽出し、エンドメンバーと呼ばれる純粋な各スペクトル シグネチャのスペクトルを復元するための手法として、スペクトル分離が使用されます。
ブロック希薄性は、隣接するピクセル間のスペクトルの類似性の結果として、ハイパースペクトル イメージに存在します。
ブロック疎信号では、ゼロ以外のサンプルがクラスターで発生し、クラスターのパターンは多くの場合、事前情報として利用できないと想定されます。
このホワイト ペーパーでは、ブロック スパース構造に基づく HSI の革新的なスペクトル アンミキシング アプローチを紹介します。
ハイパースペクトル分離問題は、パターン結合スパース ベイジアン学習戦略 (PCSBL) を使用して解決されます。
提案された SU アルゴリズムのパフォーマンスを評価するために、合成および実際のハイパースペクトル データの両方でテストされ、定量的な結果が存在角距離と平均二乗誤差の点で他の最先端の方法の結果と比較されます。
達成された結果は、提案されたアルゴリズムが他の競合する方法よりも大幅に優れていることを示しています。

要約(オリジナル)

Spectral unmixing (SU) of hyperspectral images (HSIs) is one of the important areas in remote sensing (RS) that needs to be carefully addressed in different RS applications. Despite the high spectral resolution of the hyperspectral data, the relatively low spatial resolution of the sensors may lead to mixture of different pure materials within the image pixels. In this case, the spectrum of a given pixel recorded by the sensor can be a combination of multiple spectra each belonging to a unique material in that pixel. Spectral unmixing is then used as a technique to extract the spectral characteristics of the different materials within the mixed pixels and to recover the spectrum of each pure spectral signature, called endmember. Block-sparsity exists in hyperspectral images as a result of spectral similarity between neighboring pixels. In block-sparse signals, the nonzero samples occur in clusters and the pattern of the clusters is often supposed to be unavailable as prior information. This paper presents an innovative spectral unmixing approach for HSIs based on block-sparse structure. Hyperspectral unmixing problem is solved using pattern coupled sparse Bayesian learning strategy (PCSBL). To evaluate the performance of the proposed SU algorithm, it is tested on both synthetic and real hyperspectral data and the quantitative results are compared to those of other state-of-the-art methods in terms of abundance angle distance and mean squared error. The achieved results show the superiority of the proposed algorithm over the other competing methods by a significant margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google