Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package

要約

ハイパースペクトル センサーの低い空間解像度、二重散乱、シーン内のマテリアルの密接な混合により、スペクトル ピクセルはエンドメンバーと呼ばれるマテリアルの純粋なスペクトルの混合であることがよくあります。
分離では、ピクセル内のエンドメンバーの部分的な存在量を推定します。
エンドメンバーの事前知識に応じて、線形分離は、教師あり、半教師あり、および教師なし (ブラインド) 線形分離の 3 つの主要なグループに分類できます。
画像処理と機械学習の進歩は、アンミキシングに大きな影響を与えました。
このペーパーでは、高度な分離アプローチと従来の分離アプローチの概要を説明します。
さらに、3 つのカテゴリの先進的な技術と従来の技術の間で重要な比較を行います。
3 つのシミュレートされたデータセットと 2 つの実際のデータセットで分離手法のパフォーマンスを比較します。
実験結果は、さまざまな分離シナリオに対するさまざまな分離カテゴリーの利点を明らかにしています。
さらに、結果を再現するために、https://github.com/BehnoodRasti/HySUPP で入手可能なオープンソースの Python ベースのパッケージを提供しています。

要約(オリジナル)

Spectral pixels are often a mixture of the pure spectra of the materials, called endmembers, due to the low spatial resolution of hyperspectral sensors, double scattering, and intimate mixtures of materials in the scenes. Unmixing estimates the fractional abundances of the endmembers within the pixel. Depending on the prior knowledge of endmembers, linear unmixing can be divided into three main groups: supervised, semi-supervised, and unsupervised (blind) linear unmixing. Advances in Image processing and machine learning substantially affected unmixing. This paper provides an overview of advanced and conventional unmixing approaches. Additionally, we draw a critical comparison between advanced and conventional techniques from the three categories. We compare the performance of the unmixing techniques on three simulated and two real datasets. The experimental results reveal the advantages of different unmixing categories for different unmixing scenarios. Moreover, we provide an open-source Python-based package available at https://github.com/BehnoodRasti/HySUPP to reproduce the results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google