Determining noise in hyperspectral imagery for the application of oversampling to supervised classification

Abstract

A hyperspectral sensor imager has many (~200) contiguous spectral bands. It is this number and bandwidth of spectral bands that defines the spectral resolution of a sensor. In general, having a greater number of spectral bands has advantages, but this number is limited by implementation considerations. One of the most important is the limitation imposed on the sensor because of noise. In some cases, it is useful to apply signal-processing techniques to increase the resolution of the measured signal instead of or in addition to making physical changes to the sensor. The resolution of the signal is defined by the noise level, and is measured in terms of signal to noise ratio (SNR). In practice, the number of binary digits that represent the amplitude of the signal is typically used. Previous research has shown that spectral oversampling is typical in hyperspectral images of many physical objects and can be exploited with signal processing algorithms. These algorithms can be used to decrease the noise level of a signal, thus increasing the percentage of correct classification in supervised and unsupervised algorithms. The research presented here investigates how oversampling techniques can be applied in a useful manner to hyperspectral images in supervised systems. An additive noise model is proposed for the noise signal, and used to design the oversampling algorithm. Also, a statistical characterization of the noise is obtained by modeling it as a stochastic process. Resolution enhancement algorithms are proposed in different classes: spectral filters, spectral-spatial filters and eigen-filters. Results have shown an improvement in the correct classification accuracy percentage with the proposed spectral filter algorithm. Other techniques present diverse results.

Un sensor hiper-espectral tiene muchas (~200) bandas espectrales contiguas. Es este número y el ancho de banda de sus canales es lo que define la resolución espectral de un sensor. En general, tener un mayor número de bandas espectrales tiene sus ventajas, pero en la práctica este número está limitado por razones de implementación. El efecto del ruido en el sensor es una de estas razones más importantes. En algunos casos es más practico aplicar ténicas de procesamiento digital de señales para aumentar la resolución de amplitud de la señal en vez de alterar la configuración física del sensor. La resolución de una señal está definida por el nivel de ruido en la misma y se mide en términos de la razón de señal a ruido o mejor conocido del idioma inglés como Signal-to-Noise Ratio (SNR). En la práctica el número de bits que representa la amplitud de la señal es utilizado en esta métrica. En investigaciones previas ha sido demostrada la existencia de sobre- muestreo en el dominio espectral para imágenes de sensores hiper-espectrales. Esto provee alternativas para el desarrollo de algoritmos de procesamiento de señales. Estos algoritmos nos proveen la oportunidad de reducir el nivel de ruido en la señal y así aumentar la certeza de clasificación correcta en sistemas supervisados y no supervisados. Este trabajo investiga de que forma las técnicas de sobre-muestreo pueden ser aplicadas a las imágenes hiper-espectrales efectivamente en sistemas supervisados. Un modelo aditivo de la señal de ruido es propuesto y utilizado para diseñar el algoritmo de sobre-muestreo. También, una caracterización estadística del ruido se obtiene al modelarlo como un proceso estocástico. Varios algoritmos de mejoría en resolución se presentan, estos son: el filtro espectral, el filtro especial- espectral y el filtro de valores propios (“eigen-filter”). Los resultados muestran aumento de clasificación correcta con el filtro espectral que ha sido propuesto. Diversos resultados son obtenidos en las otras técnicas.