Using a Panchromatic Image to Improve Hyperspectral Unmixing
Utilisation d'une image panchromatique pour améliorer le démixage hyperspectral
Résumé
Hyperspectral unmixing is a widely studied field of research aiming at estimating the pure material signatures and their abundance fractions from hyperspectral images. Most spectral unmixing methods are based on prior knowledge and assumptions that induce limitations, such as the existence of at least one pure pixel for each material. This work presents a new approach aiming to overcome some of these limitations by introducing a co-registered panchromatic image in the unmixing process. Our method, called Heterogeneity-Based Endmember Extraction coupled with Local Constrained Non-negative Matrix Factorization (HBEE-LCNMF), has several steps: a first set of endmembers is estimated based on a heterogeneity criterion applied on the panchromatic image followed by a spectral clustering. Then, in order to complete this first endmember set, a local approach using a constrained non-negative matrix factorization strategy, is proposed. The performance of our method, in regards of several criteria, is compared to those of state-of-the-art methods obtained on synthetic and satellite data describing urban and periurban scenes, and considering the French HYPXIM/HYPEX2 mission characteristics. The synthetic images are built with real spectral reflectances and do not contain a pure pixel for each endmember. The satellite images are simulated from airborne acquisition with the spatial and spectral features of the mission. Our method demonstrates the benefit of a panchromatic image to reduce some well-known limitations in unmixing hyperspectral data. On synthetic data, our method reduces the spectral angle between the endmembers and the real material spectra by 46% compared to the Vertex Component Analysis (VCA) and N-finder (N-FINDR) methods. On real data, HBEE-LCNMF and other methods yield equivalent performance, but, the proposed method shows more robustness over the data sets compared to the tested state-of-the-art methods. Moreover, HBEE-LCNMF does not require one to know the number of endmembers.
Le démixage hyperspectral est un domaine de recherche largement étudié visant à estimer les signatures de matériaux purs et leurs fractions d'abondance à partir d'images hyperspectrales. La plupart des méthodes de démixage spectral sont basées sur des connaissances et des hypothèses a priori qui induisent des limitations telles que l'existence d'au moins un pixel pur pour chaque matériau. Ce travail présente une nouvelle approche visant à surmonter certaines de ces limitations en introduisant une image panchromatique co-enregistrée dans le processus de démixage. Notre méthode, dénommée HBEE-LCNMF, comporte plusieurs étapes: un premier ensemble de membres terminaux est estimé sur la base d'un critère d'hétérogénéité appliqué sur l'image panchromatique suivi d'un clustering spectral. Ensuite, afin de compléter ce premier ensemble de membres finaux, une approche locale utilisant une stratégie de factorisation matricielle non négative contrainte, est proposée. Les performances de notre méthode, au regard de plusieurs critères, sont comparées à celles de la méthode de pointe obtenue sur données synthétiques et satellitaires. Les images synthétiques sont construites avec une réflectance spectrale réelle. Les images satellites sont simulées à partir d'une acquisition aéroportée avec les caractéristiques spatiales et spectrales de la mission française HYPXIM. Notre méthode démontre l'avantage d'une image panchromatique pour réduire certaines limitations bien connues du démixage des données hyperspectrales. Sur des données synthétiques, notre méthode réduit l'angle spectral entre les extrémités et les spectres de matériaux réels de 46 \% par rapport aux méthodes VCA et NFINDR. Sur des données réelles, les méthodes HBEE-LCNMF et autres donnent des performances équivalentes, mais la méthode proposée montre une plus grande robustesse sur les ensembles de données par rapport aux méthodes de pointe testées. De plus, HBEE-LCNMF n'exige pas que l'on connaisse le nombre de membres terminaux, ce qui est une tâche difficile selon l'image.
Origine : Fichiers éditeurs autorisés sur une archive ouverte
