Spatially adaptive constrained non negative matrix factorization for hyperspectral unmixing

Abstract

This dissertation proposes a spatially adaptive constrained Nonnegative Matrix Factorization (sacNMF) for unmixing of hyperspectral imagery. The image is decomposed into spectrally homogeneous regions using quadtree region partitioning. The constrained Nonnegative Matrix Factorization (cNMF) is applied to the individual image tiles to perform spectral endmember extraction. Spectral endmembers are clustered into endmember classes that better capture the endmember spectral variability across the image. Abundances are estimated using constrained least squares or sparse regression depending on the number of spectral endmembers. It is shown that by decomposing the image into spectrally homogeneous regions, the piecewise convex structure of the spectral cloud and the material mixing constraints imposed by the spatial relation between materials are better captured. A computational framework in MATLAB is developed to implement the proposed approach. The performance of sacNMF is evaluated using real hyperspectral data from the AVIRIS and the AISA sensor. Unmixing results are compared to available ground truth for the images and to results from standard unmixing algorithms, and some algorithms that use spatial information. Experimental results show that sacNMF outperforms the cNMF applied to the entire image (no spatial decomposition) and other standard unmixing algorithms that do not incorporate spatial information. Results also show that sacNMF performs equally or better than unmixing algorithms that incorporate spatial information.

Esta disertación propone el método factorización con matrices no negativas con restricciones adaptativo espacialmente (sacNMF) para desmezclado de imágenes hiperespectrales. La imagen se descompone en regiones espectralmente homogéneas utilizando quadtree en la partición de regiones. El limitado método factorización de matrices no negativas con restricción (CNMF) se aplica a las particiones individuales de la imagen para llevar a cabo la extracción de las firmas espectrales. Las firmas espectrales se agrupan en clases de firmas espectrales, que capturan mejor la variabilidad de las firmas espectrales a través de la imagen. Las abundancias se estiman mediante restricción de mínimos cuadrados o regresión esparcida en función del número de firmas espectrales. Se muestra que mediante la descomposición de la imagen en regiones espectralmente homogéneas, la estructura a trozos de la nube espectral es convexa y las limitaciones impuestas por la relación espacial entre los materiales mezclados es mejor capturada. Un marco computacional en MATLAB se ha desarrollado para implementar el enfoque propuesto. El rendimiento de sacNMF se evalúa a partir de datos hiperespectrales reales de sensores como AVIRIS y AISA. Resultados del desmezclado espectral se comparan con datos verdaderos del suelo disponible para las imágenes y para los resultados de los algoritmos de desmezclado estandarizados, y algunos algoritmos que utilizan la información espacial. Los resultados experimentales muestran que sacNMF supera al CNMF aplicado a toda la imagen (sin descomposición espacial) y otros algoritmos de desmezclado estándar que no incorporan la información espacial. Los resultados también muestran que sacNMF realiza igual o mejor desmezclado que algoritmos que incorporan la información espacial.