تجزيه‌ ي تُنُك تصاوير ابرطيفي با استفاده از يك كتابخانه‌ ي طيفي هرس شده

Sparse unmixing of hyper-spectral images using a pruned spectral library

تجزيه طيفي تصاوير ابرطيفي يكي از زمينه‌هاي پژوهشي مهم در سنجش از دور است. در همين اواخر استفاده مستقيم از كتابخانه‌هاي طيفي براي انجام تجزيه طيفي افزايش يافته‌ است. در اين روش‌ها كه به تجزيه تُنُك موسومند، نيازي به استخراج مواد پايه و تعيين تعداد آن‌ها از قبل نيست؛ امٌا از آن‌جا كه كتابخانه‌هاي طيفي حاوي طيف‌هايي هستند كه همبستگي زيادي دارند، روش‌هاي تجزيه تُنُك ممكن است، راه‌حل‌هاي نيمه بهينه‌اي توليد كنند. از طرف ديگر بسياري از اين روش‌ها، نسبت به نوفه حساس بوده و علاوه‌بر‌اين به راه‌حل به‌طور‌كامل تُنُكي منجر نمي‌شوند. در اين مقاله براي حل مشكلات بالا، در ابتدا كتابخانه طيفي براساس اطلاعات طيفي موجود در تصوير و با استفاده از تكنيك‌هاي خوشه‌بندي و طبقه‌بندي، هرس شده و سپس از الگوريتم ژنتيك براي تجزيه تُنُك استفاده شده ‌است. آزمايش‌هاي انجام‌شده بر روي تصاوير آزمايشي و واقعي نشان مي‌دهد كه روش پيشنهادي، در تصاوير با نسبت سيگنال به نوفه كم و تصاوير واقعي نتايج بهتري به‌دست مي‌دهد.

Spectral unmixing of hyperspectral images is one of the most important research fields in remote sensing. Recently, the direct use of spectral libraries in spectral unmixing is on increase. In this way which is called sparse unmixing, we do not need an endmember extraction algorithm and the number determination of endmembers priori. Since spectral libraries usually contain highly correlated spectra, the sparse unmixing approach leads to non-admissible solutions. On the other hand, most of the proposed solutions are not noise-resistant and do not reach to a sufficiently high sparse solution. In this paper, with the purpose of overcoming the problems above, at first the spectral library will be pruned based on the spectral information of the image,clustering and classification techniques. Then a genetic algorithm will be used for sparse unmixing. The experimental results on the simulated and real images show that the proposed method gives good results in noisy images.