ارائه يك پيش‌ پردازشگر مكاني‌ طيفي جديد براي بهبود تجزيه طيفي تصاوير ابرطيفي

A novel spatial spectral Preprocessor for improvement of hyperspectral unmixing

هدف از تجزيه طيفي تصاوير ابر طيفي، استخراج امضاهاي طيفي عناصر خالص تشكيل­ دهنده پيكسل‌هاي صحنه و فراواني آن‌هاست. بيشترِ الگوريتم‌هاي به‌كاررفته در فرآيند استخراج امضاهاي طيفي، بدون آنكه ساختار و همبستگي مكاني پيكسل‌هاي تصوير را در نظر بگيرند، تنها به اطلاعات طيفي پيكسل‌هاي تصوير توجه كرده‌اند. به‌ تازگي الگوريتم‌هايي پباده ­سازي شده است كه به كمك تركيب اطلاعات مكاني و طيفي، فرآيند شناسايي عناصر خالص و تجزيه طيفي را بهبود مي­ بخشند. در اين مقاله، يك ماژول پيش‌ پردازشگر جديد مكاني‌ طيفي ارائه شده است؛ به‌طوري‌كه پيكسل‌هاي نواحي مرزي به كمك نقشه كلاس به‌ دست ­آمده از الگوريتم كلاسترينگ، بدون نظارت و پنجره همسايگي 8 تايي، ميان دو يا چند ناحيه كلاستر را شناسايي و اين نواحي ناهمگن مكاني را حذف مي ­كنند. سپس به كمك محاسبه وزن خلوص طيفي پيكسل‌هاي غيرِ مرزي و آستانه‌گذاري، پيكسل‌هاي موجود در نواحي همگن مكاني و خالص طيفي را شناسايي مي‌كنند تا طبقات استخراج عناصر خالص بعدي بتوانند با دقت و سرعت بيشتري، امضاهاي طيفي را استخراج كنند. هدف ماژول مستقل پيشنهادي، كاهش خطاي RMSE تصويرِ بازسازي‌شده و مدت زمان پردازش لازم براي استخراج عناصر خالص و بهبود معيار جديدي به‌نام بازده نسبت به ديگر طبقات پيش­ پردازشگر موجود بر روي تصاوير ابرطيفي واقعي است.

The purpose of unmixing in hyperspectral images is extraction of the endmembers spectral signatures and estimation of their related abundance fractions. Most algorithms used for endmember extraction (EE) process, are established on spectral information without any attention to spatial context and correlation of image pixels. Recently, several algorithms have been developed which utilize spatial and spectral information with the aim of improving EE and unmixing accuracy. In this paper, a novel spatial spectral preprocessor is proposed which exploits class map obtained by unsupervised clustering technique and 8th neighborhood window in order to identify pixels located in border regions between two or more clusters and discards not spatially homogenous regions. Afterwards, it calculates spectral purity weight of not border pixels in order to look for spatially homogenous and spectrally pure ones using otsu threshold. Endmembers can be extracted rapidly and accurately by means of coupling our proposal with EEs. Our distinct scheme can reduce RMSE of reconstructed image and EE processing time as well as improve a new criterion known as Efficiency regarding the state-of-the-art preprocessors on real hyperspectral images.