Validation and enhancement of hyper-spectral unmixing algorithms

Hyperspectral images represent one of the various types of images obtainable through remote sensing, typically produced by airborne or spaceborne sensors. Recent advancements in these sensing technologies have enabled the acquisition of images of vast geographical areas with high spectral and spatial resolution. Each pixel of a hyperspectral image is characterized by a spectrum of electromagnetic radiation emitted from the area of interest, measured over narrow continuous range of wavelengths, typically hundreds. Each spectrum results from a combination of spectra from different materials, which can be mixed at various levels, such as spatial or molecular. Among the various types of data analysis that characterize a hyperspectral image, this study focuses on hyperspectral unmixing, which aims to extract the spectra that constitute the image, called endmembers, and estimate their fractional abundance in each pixel. The procedure encompasses various possible approaches and employs several algorithms studied in the literature. In this study, the unmixing problem is addressed using an approach based on separate extraction and abundance estimation algorithms, executed in distinct steps, and the identification of extracted spectra through the use of a spectral library. The algorithms for each step are chosen based on the results of previous works, and the entire procedure is validated. The relevance of individual steps on overall performance is examined, testing the algorithms on simulated data, and concluding that reliable endmember extraction is crucial. On this basis, new procedures, that exploit data augmentation, are proposed to improve the performance of the unmixing process, leveraging the importance of the endmember extraction step. The traditional workflow and the proposed method are compared on simulated and real data, from AVIRIS Cuprite. The extraction of the endmembers can be enhanced exploiting prior information about the area under study through data augmentation techniques, improving the results of the unmixing. A new mapping of the Cuprite subregion analyzed is proposed.

Le immagini iperspettrali (HSI) costituiscono uno dei diversi tipi di immagini ottenibili tramite telerilevamento, tipicamente prodotte da sensori airborne o spaceborn. I recenti avanzamenti in queste tecnologie di rilevamento hanno portato alla possibilità di ottenere immagini di vaste aree geografiche con grande risoluzione spettrale e spaziale. Ogni pixel di una HSI è caratterizzato da uno spettro di radiazioni elettromagnetiche emesso dall’area interessata, misurato su continui intervalli di frequenza, tipicamente centinaia. Ogni spettro è il risultato di una combinazione tra spettri di diversi materiali, che possono essere mischiati su diversi livelli, spaziali o molecolari. Tra i vari tipi di analisi che caratterizzano un immagine iperspettrale, in questo studio è approfondito l’hyperspectral unmixing (HU), il cui obbiettivo è quello di estrarre gli spettri che costituiscono l’immagine, chiamati endmembers, e stimarne l’abbondanza frazionaria in ciascun pixel. La procedura si apre a diversi possibili approcci, e vede applicati diversi algoritmi studiati in letteratura. In questo studio il problema di HU è affrontato con un approccio basato su algoritmi di estrazione e stima delle abbondanze, eseguiti in momenti distinti, e identificazione degli spettri estratti attraverso l’utilizzo di una libreria spettrale. Gli algoritmi per affrontare ciascun passaggio sono scelti sulla base dei risultati di lavori precedenti e l’intera procedura è validata. È studiata la rilevanza dei singoli passaggi sulle performance complessive, testando gli algoritmi su dati simulati, e concludendo come un’affidabile estrazione degli endmember sia cruciale. Su queste basi, un nuovo metodo, che sfrutta la data augmentation, è proposto per migliorare le performance del processo di HU, con focus sull’importanza dello step di estrazione. Il processo tradizionale e il metodo proposto sono confrontati su dati sintetici e dati reali, quelli di AVIRIS Cuprite. L’estrazione degli endmember si può migliorare sfruttando conoscenze pregresse sulla HSI, attraverso la data augmentation, migliorando i risultati dell’HU. Una nuova mappatura della regione Cuprite analizzata è proposta.