Iterative algorithms for abundance estimation on unmixing of hyperspectral imagery

Abstract

Hyperspectral sensors collect hundreds of narrow and contiguously spaced spectral bands of data organized in the so-called hyperspectral cube. The spatial resolution of most Hyperspectral Imagery (HSI) sensors °own nowadays is larger than the size of the objects being observed. Therefore, the measured spectral signature is a mixture of the signatures of the objects in the ¯eld of view of the sensor. The high spectral resolution can be used to de- compose the measured spectra into its constituents. This is the so-called unmixing problem in HSI. Spectral unmixing is the process by which the measured spectrum is decomposed into a collection of constituent spectra, or endmembers, and a set of corresponding fractions or abundances. Unmixing allows us to detect and classify subpixel objects by their con- tribution to the measured spectral signal. In this research, two new abundance estimation algorithms based on a least distance least square problem and compare it with other ap- proaches presented in the literature were developed. Algorithm validation and comparison are done with real and simulated HSI data. HSI Abundance Estimation Toolbox (HABET) was implemented in the ENVI/IDL environment. Application of the unmixing algorithm for remote sensing of benthic habitats is presented. Los sensores de Hyperespectral recogen centenares de estrechas y continuas bandas espectrales de datos organizados en el llamado cubo hyperspectral. La resolución espacial de la mayor³a de los sensores hyperespectrales (HSI) que vuelan hoy en d³a es mas grande que el tamaño de los objetos que son observados. Por lo tanto, la señal espectral medida por el sensor es una mezcla de las señales de los objetos en el campo visión del sensor. La alta resolución espectral se puede utilizar para descomponer los espectros medidos en sus componentes principales. Este es el problema de separación en HSI. La separación espectral es el proceso por el cual, el espectro medido por el sensor es descompuesto en una colección de espectros constituyentes, o endmembers, y un conjunto de fracciones o de abundancias correspondientes. Separación de HSI permite que detectemos y que clasifiquemos objetos del subpixel por su contribución a la señal espectral medida. En esta investigación, se desarrollaron nuevos algoritmos para la estimación de abundancia basados en el problema de distancias m³nimas de cuadrados m³nimos y son comparados con algoritmos que se encuentra en la literatura. Validaciones y comparaciones de los algoritmos son realizados con datos hyperespectrales reales y simulados. Además, se desarrolló un toolbox de estimación de abundancias HSI (HABET siglas en ingles) en el ambiente de programación ENVI/IDL. El uso de algoritmos de separación para la observación con satélites hiperespectrales de hábitat bénticos es presentado.