Multifeature Hyperspectral Unmixing Based on Tensor Decomposition
Démélange hyperspectral multi-caractéristique basé sur la décomposition tensorielle
Résumé
Hyperspectral unmixing is an active area of blind source separation. It refers to the representation of mixed pixels (samples) as a set of pure materials (sources), weighted by their abundances. Since spectral features alone are often insufficient, it is common to rely on other features of the scene as additional knowledge. In this paper, the hyperspectral image (HSI) is represented as a high-order tensor with additional features in a multimodal, multifeature framework, spanning modes of pixels, spectral features, and additional features, where matrix models become insufficient. This requires the use of tensor models, and particularly the Canonical Polyadic Decomposition, which is blind and straightforward for unmixing, and maintains the physical properties of the data. So far, this model has been applied in preliminary and specific applications, and still lacks a general framework for unmixing including the interpretation of the results. In this paper, we propose a methodological framework for multifeature unmixing based on the Alternating Optimization Alternating Direction Method of Multipliers algorithm and incorporating Abundance Sum-to-one Constraint (AO-ADMM-ASC), with in-depth mathematical, physical and graphical interpretations and links to the Extended Linear Mixing Model. Moreover, we propose to incorporate Mathematical Morphology as spatial features in multifeature unmixing and revise the work of patch features in order to demonstrate the interest of the proposed framework. Experiments on real HSI data sets show the efficiency of AO-ADMM-ASC and allows an in-depth interpretation of the model based on the quality of the features and the variation of the imposed rank.
Le démélange hyperspectral est un domaine actif de la séparation aveugle des sources. Il renvoie à la représentation de pixels mixtes (échantillons) comme un ensemble de matériaux purs (sources), pondérés par leurs abondances. Étant donné que les caractéristiques spectrales seules sont souvent insuffisantes, il est courant de s'appuyer sur d'autres caractéristiques de la scène comme connaissances supplémentaires. Dans cet article, l'image hyperspectrale (HSI) est représentée comme un tenseur d'ordre élevé avec des caractéristiques supplémentaires dans un cadre multimodal et multi-caractéristique, couvrant des modes de pixels, des caractéristiques spectrales et des caractéristiques supplémentaires, où les modèles matriciels deviennent insuffisants. Cela nécessite l'utilisation de modèles tensoriels, et en particulier la décomposition polyadique canonique, qui est aveugle et directe pour le démélange, et maintient les propriétés physiques des données. Jusqu'à présent, ce modèle a été appliqué dans des applications préliminaires et spécifiques, et il manque encore un cadre général pour le démélange, y compris l'interprétation des résultats. Dans cet article, nous proposons un cadre méthodologique pour le démélange multi-caractéristique basé sur l'algorithme Alternating Optimization Alternating Direction Method of Multipliers et incorporant la contrainte de somme-à-un des abondances (Abundance Sum-to-one Constraint), i.e., AO-ADMM-ASC, avec des interprétations mathématiques, physiques et graphiques approfondies et des liens vers le modèle de mélange linéaire étendu. De plus, nous proposons d'intégrer la morphologie mathématique en tant que caractéristiques spatiales dans le démélange multi-caractéristique et de réviser le travail des caractéristiques de patch afin de démontrer l'intérêt du cadre proposé. Des expériences sur des jeux de données HSI réels montrent l'efficacité d’AO-ADMM-ASC et permettent une interprétation approfondie du modèle basée sur la qualité des caractéristiques et sur la variation du rang imposé.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|