Evaluation of different structured models for target detection in hyperspectral imagery

Abstract

Target detection is an essential component in defense, security and medical applications of hyperspectral imagery. Structured and unstructured models are used to model variability of spectral signatures for the design of information extraction algorithms. In structured models, spectral variability is modeled using different geometric representations. In linear approaches, the spectral signatures are assumed to be generated by the linear combination of basis vectors. The nature of the basis vectors and its allowable linear combinations define different structured models such as linear subspaces, convex polyhedral cones, and convex hulls. This research investigates the use of these models to describe the background of hyperspectral images, and study the performance of target detection algorithms based on these models. We also study training methods and estimation of the model order for each approach. The results show that the model order is a critical parameter and that when good background target contrast exist, all models perform well.

Detección de objetivos es un componente esencial en aplicaciones de imágenes hiperespectrales en defensa, seguridad y medicina. Para modelar la variabilidad de las firmas espectrales en el diseño de algoritmos de extracción de información, se usan modelos estructurados y no estructurados. En modelos estructurados, la variabilidad espectral es modelada usando diferentes representaciones geométricas. En el enfoque lineal, se asume que las firmas espectrales son generadas por una combi- nación lineal de vectores de la base de la imagen. La naturaleza de estos vectores, y sus respectivas combinaciones lineales definen diferentes modelos estructurados tales como los sub-espacios lineales, los conos poliédricos, y las envolturas convexas. En esta investigación se estudia el uso de modelos para describir el fondo de las imágenes hiperespectrales y se evalúa el desempeño de los algoritmos de detección de objetivos basados en estos modelos. Además, se estudian los métodos de entrenamiento y de estimación del orden del modelo para cada enfoque. Los resultados muestran que el orden del modelo es un parámetro crítico y que cuando hay buen contraste entre el objetivo y el fondo, todos los modelos se desempeñan satisfactoriamente.