MultiHU-TD: Multi-feature Hyperspectral Unmixing Based on Tensor Decomposition
MultiHU-TD : Démélange hyperspectral multi-caractéristique basé sur la décomposition tensorielle
Résumé
Hyperspectral unmixing allows to represent mixed pixels as a set of pure materials weighted by their abundances. Spectral features alone are often insufficient, so it is common to rely on other features of the scene. Matrix models become insufficient when the hyperspectral image is represented as a high-order tensor with additional features in a multimodal, multi-feature framework. Tensor models such as Canonical polyadic decomposition allow for this kind of unmixing, but lack a general framework and interpretability of the results. In this paper, we propose an interpretable methodological framework for low-rank Multi-feature hyperspectral unmixing based on tensor decomposition (MultiHU-TD) which incorporates the abundance sum-to-one constraint in the Alternating optimization ADMM algorithm, and provide in-depth mathematical, physical and graphical interpretation and connections with the extended linear mixing model. As additional features, we propose to incorporate mathematical morphology and reframe a previous work on neighborhood patches within MultiHU-TD. Experiments on real hyperspectral images showcase the interpretability of the model and the analysis of the results. Python and MATLAB implementations are made available on GitHub.
Le démixage hyperspectral permet de représenter les pixels mixtes comme un ensemble de matériaux purs pondérés par leurs abondances. Les caractéristiques spectrales seules sont souvent insuffisantes, il est donc courant de s'appuyer sur d'autres caractéristiques de la scène. Les modèles matriciels deviennent insuffisants lorsque l'image hyperspectrale est représentée comme un tenseur d'ordre élevé avec des fonctionnalités supplémentaires dans un cadre multimodal et multi-fonctionnalités. Les modèles tensoriels tels que la décomposition polyadique canonique permettent ce type de démixage, mais manquent d'un cadre général et d'une interprétabilité des résultats. Dans cet article, nous proposons un cadre méthodologique interprétable pour le démixage hyperspectral multi-caractéristiques de bas rang basé sur la décomposition du tenseur (MultiHU-TD) qui intègre la contrainte somme-à-un d'abondance dans l'algorithme ADMM d'optimisation alternée, et fournit des informations détaillées. interprétation mathématique, physique et graphique et connexions avec le modèle de mélange linéaire étendu. Comme fonctionnalités supplémentaires, nous proposons d'incorporer la morphologie mathématique et de recadrer un travail antérieur sur les patchs de voisinage au sein de MultiHU-TD. Des expériences sur des images hyperspectrales réelles mettent en évidence l'interprétabilité du modèle et l'analyse des résultats. Les implémentations Python et MATLAB sont disponibles sur GitHub.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|