Cluster-based hyperspectral unmixing of AVIRIS cuprite data: a new approach in hyperspectral image analysis

Hyperspectral Image (HSI) represent one of the various type of image obtainable through remote sensing, typically produced by airborne or spaceborne sensors, and the advancements of these tecnologies allow to collect increasingly precise data. Even the analysis of HSI, through the Hyperspectral Unmixing (HU) algorithms, has evolved over time, leading to increasingly accurate results. Each pixel of an HSI is characterized by a spectrum radiation emitted by the area under investigation, measured over continuos range of wavelengths. Each spectrum can be affected by different materials, mixed at various levels. The key point of this type of analysis is to identify the common spectra, called endmembers, and their abundances among the pixels. Among all the class of methods available in literature, this work is focused on the most common one, the Linear Mixing Model (LMM), that has been tested over different HSIs, leading to quite satisfying results. One of the main limitations of the LMM is the excessive presence of different materials within the image of interest, that implies a higher presence of endmembers, leading to less accurate estimations. The main focus of this work is to solve this problem introducing a preliminar step: with the help of spatial-based clustering algorithms, the area is divided into subregions to be analyzed separately. Then a reunification step is necessary in order to combine the estimations among the different clusters and obtain the results related to the total area. On this bases, new procedures are proposed to perform a reasonable spatial-based clustering of the area. All these algorithms are tested on simulated data, in order to select the most suitable approach for this type of problem and to apply them to a real HSI, the AVIRIS Cuprite scene. After this, the benefits of the clustering step are explored, comparing the classic HU algorithms with the cluster-based ones.

Hyperspectral Image (HSI) rappresenta uno dei tipi di immagine ottenibili tramite telerilevamento, tipicamente prodotte da sensori aerei o satellitari, e i progressi in queste tecnologie permettono di raccogliere dati sempre più precisi. Anche l’analisi delle HSI, attraverso gli algoritmi di Hyperspectral Unmixing (HU), si è evoluta nel corso del tempo, portando a risultati sempre più accurati. Ogni pixel in una HSI è caratterizzato da uno spettro di radiazione emesso dall’area sotto osservazione, misurato su un intervallo continuo di lunghezze d’onda. Ogni spettro può essere influenzato da diversi materiali, miscelati a vari livelli. Il punto chiave di questo tipo di analisi è identificare gli spettri comuni, chiamati endmember, e le loro abbondanze tra i pixel. Tra tutti i metodi disponibili in letteratura, questo lavoro si concentra su quello più comune, il Linear Mixing Model (LMM), che è stato testato su diverse HSI, portando a risultati abbastanza soddisfacenti. Una delle principali limitazioni del LMM è l’eccessiva presenza di materiali diversi all’interno dell’immagine di interesse, che implica una maggiore presenza di endmembers, portando a stime meno accurate. L’obiettivo principale di questo lavoro è risolvere questo problema introducendo uno step preliminare: con l’aiuto di algoritmi di clustering basati su variabili spaziali, l’area viene divisa in sotto-regioni da analizzare separatamente. Successivamente, è necessario uno step di riunificazione per combinare le stime tra i diversi cluster ed ottenere i risultati relativi all’area totale. Su questa base, vengono proposte nuove procedure per eseguire un clustering spaziale ragionevole dell’area. Tutti questi algoritmi vengono testati su dati simulati, al fine di selezionare quelli più adatti a questo tipo di problema e applicarli ad una HSI reale, la AVIRIS Cuprite. Successivamente, vengono analizzati i benefici dello step di clustering, confrontando gli algoritmi HU classici con quelli basati su cluster.