Soft classification of hyperspectral imagery based on linear mixing model and supervised fuzzy logic algorithms

Abstract

Hyperspectral Imagery (HSI) is an important technology used in remote sensing and plays an important role in environmental remote sensing because it provides valuable spectral information of the objects in the scene. Using the measured spectral signatures, it is possible to discriminate between materials in the scene for object detection, recognition or identification. Hyperspectral technologies are of great value for environmental applications where it is possible to take advantage of spectral, spatial, and radiometric resolutions. A problem for current and proposed spaceborne hyperspectral platforms is their low spatial resolution which ranges from 20 to 30m. The key problem with low spatial resolution is mixed pixels where the measured spectral signature is a combination of the contributions of the spectral signatures of the materials in the field of view in the sensor. In such cases, the high spectral resolution can be used to extract information about objects at the subpixel level by their contribution to the measured spectral signature. A common technique in HSI analysis is hard classification where each pixel is assigned to one and only one specific class. In this research work, we investigated soft classification algorithms which can consider the mixed pixel problem for image classification. Soft classifiers assign multiple classes to a single pixel using membership functions which weight the membership of the pixel into the available classes. As a result, soft classification could be used to develop models and thematic maps that are more appropriate for low resolution remote sensing imagery. This thesis presents a comparative study of soft classification algorithms based on Linear Mixing Model and supervised Fuzzy Logic classification systems as an alternative for hard classification of low spatial resolution HSI. As part of the research, we developed a Spectral Soft Classification Tool (SSCT), which should be valuable resource for image analysts because it provides soft classification outputs, visualization tools, and accuracy assessment to analyze multi/hyperspectral imagery. Remotely sensed data from HYPERION and ETM+ (LANDSAT 7) collected over Puerto Rico were used in this study.

Las imágenes y sensores hiperespectrales (HSI por sus siglas en inglés) son una tecnología de gran valor para la percepción remota ambiental porque proveen valiosa información espectral de los objetos en la escena. Utilizando las firmas espectrales medidas, es posible discriminar entre los materiales presentes en una escena para aplicaciones de detección, reconocimiento e identificación de objetos. La tecnología hiperespectral es relevante para aplicaciones ambientales cuando es posible tomar ventaja de la resolución espacial, espectral y radiométrica del sensor. Sin embargo, un problema actual de los sensores en plataformas espaciales propuestos y existentes, es su pobre resolución espacial cuyo rango está entre 20 – 30 metros. El principal inconveniente de los sensores con una pobre resolución espacial es la presencia de pixeles mixtos en la escena donde la firma espectral de estos pixeles es una combinación de la contribución de las firmas espectrales de los materiales en el campo de visión del sensor. En estos casos, la alta resolución espectral puede ser utilizada para extraer información de los materiales a nivel de sub-pixel por su contribución a la firma espectral medida. Una de las técnicas más comunes para el análisis de imágenes hiperespectrales es clasificación dura en donde cada pixel en la escena es asignado a una y solo una clase. En este trabajo, nosotros investigamos algoritmos de clasificación suave, los cuales pueden considerar el problema de pixeles mixtos en la escena como parte del proceso de clasificación. Los clasificadores suaves asignan múltiples clases a un pixel utilizando funciones de membrecía las cuales determinan el grado de pertenencia que tiene ese pixel asociado a las clases disponibles. Como resultado, la clasificación suave puede ser utilizada para desarrollar modelos y mapas temáticos que sean más apropiados para imágenes de pobre resolución espacial. Ésta tesis presenta un estudio comparativo de algoritmos de clasificación suave basados en el Modelo de Mezclado Lineal (LMM por sus siglas en inglés) y sistemas de clasificación supervisada utilizando lógica difusa como alternativa a la clasificación dura de imágenes hiperespectrales de pobre resolución espacial. Como parte de la investigación, desarrollamos una herramienta de clasificación suave para el análisis de imágenes multi/hiperespectrales (“Spectral Soft Classification Tool” (SSCT)), el cual debe ser un valioso recurso para los analistas de imágenes al proveer algoritmos de clasificación suave, herramientas de visualización, y funciones para la evaluación del rendimiento de los clasificadores. Datos de percepción remota adquiridos sobre regiones de Puerto Rico con los sensores HYPERION y ETM+ (LANDSAT 7) fueron utilizados en este estudio.