انتخاب باندهاي بهينه جهت بهبود جداسازي طيفي تصاوير ابرطيفي

A band selection technique for optimized hyperspectral unmixing

مدل آناليز تركيب خطي به طور گسترده‌اي براي برآورد سهم هر ماده خالص در اختلاط طيفي مورد استفاده قرار مي‌گيرد. راه‌حل رياضي مسئله تركيب، حل مجموعه‌اي از معادلات خطي با استفاده از روش كمترين مربعات مي‌باشد. اما بيشترين منبع خطا در روش‌هاي متداول آناليز تركيب طيفي ناشي از عدم امكان محاسبه تغييرات طيفي اعضاي خالص در سير زمان و مكان است. در اين فرآيند از اعضاي خالص ثابتي براي كل صحنه تصويربرداري استفاده مي‌شود. علاوه بر اين، اگر اعضاي خالص به شدت به يكديگر وابسته باشند ماتريس ضرايب دچار كمبود رنك شده و حل مسئله معكوس همراه با ناپايداري خواهد بود. به اين ترتيب فراواني‌هاي برآورد شده به شدت به خطاهاي تصادفي حساس مي‌گردند. در اين مقاله روش جديدي براي انتخاب باند متشكل از اولويت‌بندي باندها در راستاي كاهش اثر تغييرپذيري طيفي و كاهش همبستگي بين باندها برمبناي زاويه آنها ارائه شده‌است. با استفاده از روش پيشنهادي و به كمك داده‌هاي شبيه‌سازي شده و واقعي نشان داده شد كه مي‌توان به‌طور موثري به حذف تعداد زيادي از باندهاي غير ضروري اقدام نمود. آزمايش‌ها نشان داد كه با انتخاب باندهاي مناسب، كمتر از 20 درصد باندها، مي‌توان به نتايج قابل مقايسه و حتي بهتري از نتايج حاصل از تمام باندها رسيد.

Linear spectral mixture analysis (SMA) has been used extensively in remote sensing studies to estimate the sub pixel composition of spectral mixtures. The mathematical solution of the mixing problem is to resolve a set of linear equations using least squares approaches. The lack of ability to account for temporal and spatial variability between and among endmembers has been acknowledged as a major shortcome of conventional SMA approaches applying a linear mixture model using a set of fixed endmembers. Also, if endmembers are highly correlated, the matrix will become non-orthogonal, the inversion will be unstable and the inverse or estimated fractions will become highly sensitive to random errors (e.g., noise). In this paper, we present a new band selection method that comprises a band prioritization and a band de-correlation. The band prioritization will prioritizes all bands according to the reduced spectral variability of endmembers which will be used for unmixing. Bands are then selected on the basis of their associated priorities. Since the band prioritization does not consider as spectral correlation, a band de-correlation using the angles between bands are being applied to de-correlate prioritized bands. It is shown that the proposed band selection method effectively eliminates a great number of insignificant bands. Surprisingly, the experimental results on real and synthetic data sets show that with a proper band selection less than 0.2 of the total number of bands can achieve comparable performance using all bands.