جداسازي طيفي و مكاني تصاوير ابرطيفي با استفاده از Semi-NMF و تبديل PCA

Spectral and Spatial Unmixing of Hyperspectral Images Using Semi-nonnegative Matrix Factorization and Principal Component Analysis

در سال‌هاي اخير جداسازي داده‌هاي سنجش از دور با استفاده از تجزيه ماتريس نامنفي (Nonnegative Matrix Factorization) مورد توجه قرارگرفته است و براي بهبود كارايي آن، به تابع هزينه اقليدسي قيدهاي كمكي مي‌افزايند. چالش اصلي در اين ميان معرفي قيدهايي است كه بتواند نتايج بهتري را استخراج كند. همبستگي بين باندهاي تصاوير ابرطيفي مساله‌اي است كه كمتر مورد توجه الگوريتم‌هاي جداسازي قرارگرفته است. اين مساله در جداسازي كلاس‌هاي مشابه بيشتر مشخص مي‌شود. در اين مقاله يك روش جديد براي جداسازي داده‌هاي ابرطيفي سنجش از دور با استفاده از تجزيه ماتريس نيمه‌نامنفي (Semi-NMF) و تحليل مولفه‌هاي اصلي پيشنهاد كرديم. در روش پيشنهادي جداسازي طيفي و مكاني به‌صورت هم‌زمان انجام مي‌شود و تمام محدوديت‌هاي فيزيكي مساله براساس مدل مخلوط خطي اعمال مي‌شود. همچنين، علاوه‌بر محدوديت‌هاي فيزيكي، از ويژگي داده‌هاي ابرطيفي در فرآيند جداسازي بهره‌برداري شده است. تنكي ضرايب فراواني يكي از ويژگي‌هاي مهم داده‌هاي ابرطيفي است كه در اين مقاله ما با استفاده از ماتريس nsNMF به درون تابع هزينه اعمال كرده‌ايم. در روش پيشنهادي قواعد به‌روزرساني الگوريتم با استفاده از روش ALS به‌دست آمده است. در بخش انتهايي اين مقاله از داده‌هاي ابرطيفي مصنوعي و واقعي به‌منظور بررسي كارآمدي الگوريتم پيشنهادي استفاده شده است. نتايج به دست آمده برتري الگوريتم پيشنهادي را در مقايسه با برخي از الگوريتم‌ها جداسازي نشان مي‌دهد.

Unmixing of remote-sensing data using nonnegative matrix factorization has been considered recently. To improve performance, additional constraints are added to the cost function. The main challenge is to introduce constraints that lead to better results for unmixing. Correlation between bands of Hyperspectral images is the problem that is paid less attention to it in the unmixing algorithms. In this paper, we have proposed a new method for unmixing of Hyperspectral data using semi-nonnegative matrix factorization and principal component analysis. In the proposed method, spectral and spatial unmixing is performed simultaneously. Physical constraints applied based on Linear Mixing Model. In addition to physical constraints, characteristics of Hyperspectral data have been exploited in the unmixing process. Sparseness of the abundance is one of the important features of Hyperspectral data, which is applied using the nsNMF matrix. In the proposed method update rules is derived using the ALS algorithm. In the final section of this paper, real and synthetic Hyperspectral data is used to verify the effectiveness of the proposed algorithm. Obtained results show the superiority of the proposed algorithm in comparison with some unmixing algorithms.