Démélange non linéaire d'images hyperspectrales à l'aide de fonctions radiales de base et de moindres carrés orthogonaux
Résumé
This paper studies a linear radial basis function network (RBFN) for unmixing hyperspectral images. The proposed RBFN assumes that the observed pixel reflectances are nonlinear mixtures of known endmembers (extracted from a spectral library or estimated with an end-member extraction algorithm), with unknown proportions (usually referred to as abundances). We propose to estimate the model abundances using a linear combination of radial basis functions whose weights are estimated using training samples. The main contribution of this paper is to study an orthogonal least squares algorithm which allows the number of RBFN centers involved in the abundance estimation to be significantly reduced. The resulting abundance estimator is combined with a fully constrained estimation procedure ensuring positivity and sum-to-one constraints for the abundances. The performance of the nonlinear unmixing strategy is evaluated with simulations conducted on synthetic and real data.
Cet article étudie un réseau de fonctions radiales de base pour le démélange d’images hyperspectrales. Le réseau proposé suppose que les réflectances des pixels observés sont des mélanges de composantes spectrales pures (extraites d’une bibliothèque spectrale ou estimées par un algorithme d’extraction de spectres purs), dont les proportions (abondances) sont inconnues. Cette étude propose d’estimer les abondances du modèle considéré à l’aide d’une combinaison linéaire de fonctions radiales de base dont les poids sont estimés en utilisant des données d’apprentissage. La contribution majeure de cet article est l’étude d’un algorithme de moindres carrés orthogonaux, qui permet de réduire le nombre de centres du réseau permettant l’estimation des abondances. L’estimateur des abondances associé au réseau est combiné à un algorithme d’estimation sous contraintes pour assurer les contraintes de positivité et de somme-à-un des abondances. Les performances de l’algorithme de démélange non-linéaire sont évaluées par des simulations sur des images synthétiques et réelles.
| Origine | Fichiers éditeurs autorisés sur une archive ouverte |
|---|