Analyse d'images hyperspectrales à l'aide d'un modèle de mélange de spectres aléatoires - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2009

Analyse d'images hyperspectrales à l'aide d'un modèle de mélange de spectres aléatoires

Résumé

This paper studies a new unmixing algorithm for hyperspectral images. Each pixel of the image is modeled as a linear combination of endmembers which are supposed to be random in order to model uncertainties regarding their knowledge. More precisely, endmembers are modeled as Gaussian vectors with known means (resulting from an endmember extraction algorithm such as the N-FINDR and VCA). In this paper, the mixture coefficients (referred to as abundances) are estimated using a hierarchical Bayesian algorithm. Suitable priors are assigned to the abundances in order to satisfy positivity and additivity constraints whereas a conjugate prior is chosen for the variance of the endmembers. The resulting posterior distribution of the unknown parameters is too complex to derive the standard Bayesian estimators. Thus, we study an hybrid Gibbs sampler that generates abundance and variance samples distributed according to their joint posterior distribution. The performance of the proposed method is evaluated thanks to simulation results conducted on synthetic and real images
Cet article présente un nouvel algorithme de démélange appliqué aux images hyperspectrales. Chaque pixel de l’image est modélisé par une combinaison linéaire de spectres purs, appelés endmembers, supposés aléatoires. Plus précisément, ces spectres purs suivent des lois normales multivariées de moyennes connues résultant d’un algorithme d’extraction d’endmembers tel que N-FINDR ou VCA. Cet article propose d’estimer les coefficients du mélange ainsi obtenu (appelés abondances) à l’aide d’un algorithme Bayésien hiérarchique. Des lois a priori sont judicieusement choisies pour les abondances afin de respecter les contraintes de positivité et d’additivité tandis qu’une loi a priori conjuguée non informative est adoptée pour la variance des endmembers. La loi a posteriori des paramètres du modèle Bayésien hiérarchique obtenu est trop complexe pour obtenir des expressions simples des estimateurs Bayésiens associés. Nous étudions alors un algorithme de Gibbs hybride permettant de générer des abondances et des variances distribuées suivant leur loi a posteriori. Les performances de la méthode proposée sont évaluées à l’aide de simulations menées à partir d’images synthétiques et d’images réelles.
Fichier principal
Vignette du fichier
2009_001-0233_28938.pdf (320.45 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04248406 , version 1 (19-10-2023)

Identifiants

  • HAL Id : hal-04248406 , version 1

Citer

Olivier Eches, Nicolas Dobigeon, Jean-Yves Tourneret. Analyse d'images hyperspectrales à l'aide d'un modèle de mélange de spectres aléatoires. 22ème Colloque du Groupe de Recherche et d'Etudes du Traitement du Signal et des Images (GRETSI 2009), Sep 2009, Dijon, France. (support électronique). ⟨hal-04248406⟩
15 Consultations
3 Téléchargements

Partager

Gmail Facebook X LinkedIn More