Publication:
Spatially adaptive constrained non negative matrix factorization for hyperspectral unmixing

dc.contributor.advisor Hunt, Shawn D.
dc.contributor.author Goenaga-Jiménez, Miguel A.
dc.contributor.college College of Engineering en_US
dc.contributor.committee Velez-Reyes, Miguel
dc.contributor.committee Rodriguez, Domingo
dc.contributor.committee Manian, Vidya
dc.contributor.committee Chinea, J. Danilo
dc.contributor.department Department of Electrical and Computer Engineering en_US
dc.contributor.representative Santana, Samuel
dc.date.accessioned 2019-02-12T15:30:47Z
dc.date.available 2019-02-12T15:30:47Z
dc.date.issued 2014
dc.description.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. en_US
dc.description.abstract 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. en_US
dc.description.graduationYear 2014 en_US
dc.description.sponsorship This research was supported by the “Laboratory for Applied Remote Sensing and Image Processing”. en_US
dc.identifier.uri https://hdl.handle.net/20.500.11801/1796
dc.language.iso English en_US
dc.rights.holder (c) 2014 Miguel Angel Goenaga Jiménez en_US
dc.rights.license All rights reserved en_US
dc.subject Matrix factorization en_US
dc.subject Hyperspectral unmixing en_US
dc.title Spatially adaptive constrained non negative matrix factorization for hyperspectral unmixing en_US
dc.type Dissertation en_US
dspace.entity.type Publication
thesis.degree.discipline Computing and Information Sciences and Engineering en_US
thesis.degree.level Ph.D. en_US
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
CIIC_GoenagaJimenezM_2014.pdf
Size:
11.21 MB
Format:
Adobe Portable Document Format
Description: