Hyperspectral texture synthesis algorithms

Abstract

Hyperspectral images have textured regions and in many cases there are not sufficient samples to train classifiers. By simulating more samples that are self-similar to the original texture efficient classifiers can be trained and used for classification. This kind of tools provides a means to get synthetic data without the expense of data collection. The first step toward this goal is to develop a hyperspectral texture synthesis algorithm that efficiently combines both the spectral information and the spatial variability in the original image. Three algorithms are implemented to fulfill that purpose. To do the synthesis, the first algorithm uses neighboring pixel information, and this is done by a neighborhood search of a multiresolution pyramid constructed from the original sample that encodes the spectrum and spatial intensity gradients. Gaussian decomposition is used for the multiresolution decomposition. The second approach is as simple as putting together blocks with a certain overlap, so that each new block is chosen so that it “agrees” with its neighbors in the region of overlap. A third implementation uses 3D wavelet transform of the original sample. This encodes the spectrum and spatial intensity gradients. The wavelet coefficients are a representation of the hyperspectral image as a compact code. These coefficients are then synthesized by an image quilting algorithm. Results of the synthesis are presented using hyperspectral images from three different remote sensing scenarios. Discriminant analysis and support vector classifier are used to classify the synthesized textures. It was verified that there is a substantial agreement between the input textures and the synthetic ones.

Las imágenes hiperespectrales suelen tener regiones con texturas. Muchas veces esas regiones no son lo suficientemente grandes para entrenar adecuadamente los algoritmos de clasificación de texturas. Simulando muestras que mantengan características similares a las de la textura original permitiría superar esta limitante. Este tipo de herramientas nos permite obtener datos sintéticos sin incurrir en los costos asociados con la adquisición de datos. Para alcanzar este objetivo es necesario desarrollar un algoritmo de síntesis de textura que combine eficientemente la información espectral y la variabilidad espacial de la imagen original. En este trabajo se muestran tres algoritmos implementados para cumplir con ese propósito. Para hacer la síntesis, el primer algoritmo utiliza información de píxeles vecinos y esto se realiza mediante una búsqueda de la vecindad en una pirámide con varias resoluciones, construida a partir de la muestra original que codifica el espectro y el gradiente de la intensidad espacial. El segundo enfoque es tan simple como unir bloques tomados de la imagen de entrada con una región de superposición. Cada nuevo bloque es elegido de tal manera que la región de superposición encaje con sus vecinos. El tercer enfoque utiliza la transformada wavelet en 3D de la imagen original, y así se construye una representación de la imagen de hiperespectral más compacta. Los resultados de la síntesis se presentan mediante imágenes hiperespectrales desde diferentes escenarios de percepción remota. Clasificador de vectores de soporte y análisis discriminante se utilizan para clasificar las propiedades de las texturas sintetizadas. Se comprobó que hay un acuerdo sustancial entre las texturas de entrada y las sintéticas.