Алгоритм оценки параметров линейной спектральной смеси с полными ограничениями для анализа отсчётов гиперспектральных изображений
Денисова А.Ю., Мясников В.В.

Самарский государственный аэрокосмический университет имени академика С.П. Королёва
(национальный исследовательский университет) (СГАУ),

Институт систем обработки изображений РАН

PDF, 497 kB

DOI: 10.18287/0134-2452-2014-38-4-782-789

Страницы: 782-789.

Аннотация:
В статье предлагается и исследуется алгоритм оценки коэффициентов линейной спектральной смеси, определяющей модель формирования отсчётов гиперспектральных изображений с использованием набора спектральных сигнатур. Набор спектральных сигнатур предполагается заданным, а на коэффициенты смеси накладываются ограничения: сумма коэффициентов полагается равной единице, каждый из коэффициентов должен быть неотрицательным. Дан обзор существующих методов и подходов к решению рассматриваемой задачи. Представлены результаты исследований, характеризующие качество и скорость работы предлагаемого алгоритма.

Ключевые слова :
гиперспектральные изображения, линейная спектральная смесь, ограничения, гиперспектральный анализ, метод наименьших квадратов.

Литература:

  1. Singer, R.B. Mars: Large scale mixing of bright and dark surface materials and implications for analysis of spectral reflectance / R.B. Singer, T.B. McCord // Proceedings of 10th Lunar Planetary Science Conference. – 1979. – P. 1835-1848.
  2. Hapke, B. Bidirectional reflectance spectroscopy: 1. Theory / B. Hapke // Journal of Geophysical Research: Solid Earth (1978–2012). – 1981. – Vol. 86(B4). – P. 3039-3054.
  3. Johnson, P. A semiempirical method for analysis of the reflectance spectra of binary mineral mixtures / P. Johnson, M. Smith, S. Taylor-George, J. Adams // Journal of Geophysical Research: Solid Earth (1978–2012). – 1983. – Vol. 88(B4). – P. 3557-3561.
  4. Chang, C.I. Hyperspectral Data Processing: Algorithm Design and Analysis / C.I. Chang. – John Wiley & Sons, 2013. – 1164 p.
  5. Chang, C.I. Hyperspectral data exploitation: theory and applications / C.I. Chang. – Wiley-Interscience, 2007. – 456 p.
  6. Chang, C.I. Hyperspectral imaging: techniques for spectral detection and classification / C.I. Chang. – Springer, 2003. – 370 р.
  7. Keshara, N. A Survey of Spectral Unmixing Algorithms / N. Keshara // Lincoln Laboratory Journal. – 2003. – Vol. 14(1). – P. 55-78.
  8. Chang, C.I. Constrained subpixel target detection for remotely sensed imagery / C.I. Chang, D.C. Heinz // Geoscience and Remote Sensing, IEEE Transactions on. – 2000. – Vol. 38(3). – P. 1144-1159.
  9. Heinz, D.C. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery / D.C. Heinz, C.I. Chang // Geoscience and Remote Sensing, IEEE Transactions on. – 2001. – Vol. 39(3). – P. 529-545.
  10. Lawson, C.L. Solving Least Square Problems / C.L. Lawson, R.J. Hanson. – New Jersey: Prentice Hall, Englewood Cliffs, 1974. – 350 p.
  11. Haskell, K.H. An algorithm for linear least squares problems with equality and nonnegativity constraints / K.H. Haskell, R.J. Hanson // Mathematical Programming. – 1981. – Vol. 21(1). – P. 98-118.
  12. Bro, R. A fast Non-negativity-constrained least squares algorithm / R. Bro, S. de Jong // Journal of Chemometrics. – 1997. – Vol. 11. – P. 393-401.
  13. Rosen, J.B. The gradient projection method for nonlinear programming, part 1: linear constraints / J.B. Rosen // Journal S.I.A.M. – 1960. – Vol. 8. – P. 181-217.
  14. Rosen, J.B. The gradient projection method for nonlinear programming, part 1: nonlinear constraints / J.B. Rosen // Journal S.I.A.M. – 1961. – Vol. 9. – P. 514-532.
  15. Мину, М. Математическое программирование: Теория и алгоритмы / М. Мину. – Пер. с фр. и предисл. А.И. Штерн. – М.: Наука, 1990. – 488 с.
  16. Денисова, А.Ю. Алгоритмы анализа линейной спектральной смеси на гиперспектральных изображениях с использованием картографической основы / А.Ю. Денисова, В.В. Мясников // Компьютерная оптика – 2014. – T. 38, № 2. – C. 297-303.
  17. Фурсов, В.А. Тематическая классификация гиперспектральных изображений по показателю сопряжённости / В.А. Фурсов, С.А. Бибиков, О.А. Байда // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 154-158.
  18. Кузнецов, А.В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений / А.В. Кузнецов, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 3. – C. 494-502.
  19. Clark, R.N. The U. S. Geological Survey, Digital Spectral Library: Version 1: 0.2 to 3.0 microns, U.S. Geological Survey Open File Report 93-592 // R.N. Clark, G.A. Swayze, A.J. Gallagher, T.V.V. King, W.M. Calvin. – 1993. – 1340 p.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20