Geometric scale-space framework for the analysis of hyperspectral imagery

Abstract

This work introduces a framework for a fast and algorithmically scalable multiscale representation and segmentation of hyperspectral imagery. The framework is based on the scale-space representation generated by geometric partial differential equations (PDEs) and state of the art numerical methods such as semi-implicit discretization methods, preconditioned conjugated gradient, and multigrid solvers. Multi-scale segmentation of hyperspectral imagery exploits the fact that different image structures exists only at different image scales or resolutions, enabling a better exploitation of the high spatial-spectral information content in hyperspectral imagery. Higher level processes in hyperspectral imagery such as classification, registration, target detection, restoration, and change detection can improve significatively; by working on the regions (objects) identified by the segmentation process, rather than with the image pixels, as it is traditionally done. The main contribution of this work is the introduction of a framework, where vector-valued geometric scale-spaces are seamlessly integrated with an algorithm for multiscale segmentation of hyperspectral imagery, in a fast and scalable way that makes feasible an object-oriented approach for higher level processes in hyperspectral image processing.

Este trabajo presenta una base formal para la representacion y segmentacion multi-escala de imagenes hiper-espectrales en forma rapida y escalable algoritmicamente. El fundamento de este trabajo se basa en la representacion de espacio de escala generada por ecuaciones diferenciales parciales geometricas y metodos numericos modernos como la discretizacion semi-implicita, gradiente conjugado precondicionado, y metodos multi-malla. La segmentacion multi-escala de imagenes hiper-espectrales explota el hecho de que diferentes estructuras en la imagen existen unicamente a diferentes escalas o resoluciones de la imagen, v permitiendo una mejor explotacion del alto contenido espacial y espectral en imagenes hiperespectrales. Metodos de procesamiento de imagenes hiper-espectrales de mayor nivel tales como clasificacion, registracion, deteccion de objetos, restauracion de imagenes, y deteccion de cambio pueden mejorar significativamente; trabajando con las regiones identificadas por la segmentacion, en lugar de usar los pixeles de la imagen, como se hace tradicionalmente. La principal contribucion de este trabajo es la introduccion de una base formal, donde el espacio de escala para imagenes vectoriales es integrado en forma natural con un algoritmo para la segmentacion multi-escala de imagenes hiper-espectrales, con una complejidad computacional que es lineal en el tamano de las imagenes.