Algoritmos de extracción de endmembers en imágenes hiperespectrales

A. Plaza

Description

Resumen
En este trabajo, presentamos una nueva metodología para el análisis de píxeles mezcla en imágenes hiperespectrales cuya principal aportación es la integración de información espacial y espectral en el proceso de análisis. La técnica propuesta se basa en la extensión de operadores morfológicos clásicos. Para validar el método utilizamos imágenes sintéticas y reales proporcionadas por el sensor aerotransportado AVIRIS. Los resultados obtenidos con imágenes sintéticas demuestran que el método es robusto en presencia de ruido. Una comparativa del método con otras aproximaciones estándar refleja las elevadas prestaciones del mismo a la hora de procesar datos reales.
Abstract
We present in this work a novel automated method for the analysis of mixed píxels in hyperspectral data that integrates both spatial and spectral responses in simultaneous fashion. The method is based on mathematical morphology, a classic image processing technique that provides a remarkable framework to achieve the desired integration. An evaluation of the proposed approach is carried out by using both simulated and real hyperspectral data, collected by the AVIRIS imaging spectrometer. Results with simulated data reveal that the method is robust in the presence of noise. On other hand, experiments with real hyperspectral data show that the proposed method produces results which can improve those found using other widely accepted hyperspectral analysis methodologies.

Informations

• Publié par: erevistas
• Publié le: 01 janvier 2004
• Nombre de lectures: 29
• Langue: Español

Extrait

Revista de Teledetección. 2004. 21: 101-105
Algoritmos de extracción de endmembers en
imágenes hiperespectrales
A. Plaza, P. Martínez, J. Plaza, R. M. Pérez, P. L. Aguilar, M. C. Cantero
[e-mail]
Grupo de Redes Neuronales y Procesamiento de Señal (GRNPS).
Departamento de Informática, Universidad de Extremadura
Avda. de la Universidad s/n, 10071 Cáceres
RESUMEN ABSTRACT
En este trabajo, presentamos una nueva metodolo- We present in this work a novel automated method
gía para el análisis de píxeles mezcla en imágenes for the analysis of mixed píxels in hyperspectral data
hiperespectrales cuya principal aportación es la inte- that integrates both spatial and spectral responses in
gración de información espacial y espectral en el simultaneous fashion. The method is based on mathe-
proceso de análisis. La técnica propuesta se basa en matical morphology, a classic image processing tech-
la extensión de operadores morfológicos clásicos. nique that provides a remarkable framework to achie-
Para validar el método utilizamos imágenes sintéti- ve the desired integration. An evaluation of the
cas y reales proporcionadas por el sensor aerotrans- proposed approach is carried out by using both simu-
portado AVIRIS. Los resultados obtenidos con imá- lated and real hyperspectral data, collected by the
genes sintéticas demuestran que el método es AVIRIS imaging spectrometer. Results with simula-
robusto en presencia de ruido. Una comparativa del ted data reveal that the method is robust in the pre-
método con otras aproximaciones estándar refleja sence of noise. On other hand, experiments with real
las elevadas prestaciones del mismo a la hora de hyperspectral data show that the proposed method
procesar datos reales. produces results which can improve those found
using other widely accepted hyperspectral analysis
methodologies.PALABRAS CLAVE: Análisis hiperespectral,
endmembers, desmezclado espectral, morfología
matemática.
ción, el resto de componentes de la imagen seINTRODUCCIÓN
expresan mediante combinaciones de endmembers,
En los últimos años, la evolución en los sensores evitando así el habitual problema de la mezcla
hiperespectrales ha supuesto un salto cualitativo en espectral y permitiendo realizar una cuantificación
las aplicaciones orientadas a la observación remota a nivel sub-píxel. A lo largo de los últimos años se
de la tierra. Estos instrumentos se caracterizan por han desarrollado diversos los métodos supervisados
su capacidad para medir la radiación reflejada en y no supervisados para identificar endmembers en
una amplia gama de longitudes de onda, pudiendo imágenes hiperespectrales (Chang, 2003). Uno de
registrar información en cientos de canales espec- los métodos supervisados más utilizados es PPI
trales (Green y col., 1998). Las técnicas de desmez- (Píxel Purity Index), que tiene como objetivo loca-
clado espectral o spectral unmixing son, en la lizar los puntos espectralmente más puros de la
actualidad, las más ampliamente aceptadas a la hora imagen hiperespectral. Para ello, el método se basa
de llevar a cabo el análisis y clasificación de imá- en la suposición de que los puntos más extremos de
genes hiperespectrales. Estas técnicas suelen con- la nube de puntos son los mejores candidatos para
sistir en dos pasos claramente diferenciados: en pri- ser utilizados como endmembers. Esta misma supo-
mer lugar, se identifican firmas espectrales sición es utilizada por otros métodos de naturaleza
asociadas a componentes espectralmente puros en automática, como N-FINDR, que utiliza una técni-
la imagen, denominados endmembers. A continua- ca basada en identificar los endmembers como los
N.º 21- Junio 2004 101A. Plaza, P. Martínez, J. Plaza, R. J. Pérez, P. L. Aguilar, M. C. Cantero
vértices del simplex de mayor volumen que puede región espacial alrededor de cada píxel de la ima-
formarse en la nube de puntos dada por todos los gen a procesar, donde la forma y tamaño de la
píxeles de la imagen hiperespectral. región considerada vienen determinadas por las
A pesar de la fuerte interrelación entre la informa- propiedades espaciales de una función de vecindad
ción espacial y espectral que reside en las imágenes denominada elemento estructural (Soille, 1999). El
hiperespectrales, la mayor parte de las técnicas de principal problema a la hora de extender estas ope-
identificación de endmembers y desmezclado exis- raciones al caso de imágenes hiperespectrales con-
tentes en la actualidad tienden a considerar única- siste en la ausencia de una relación de orden en los
mente la información espectral, descartando la píxels de la imagen. Este hecho se debe al carácter
correlación espacial entre los píxeles de la imagen. vectorial de dichos píxels, que vienen caracteriza-
En la actualidad, la importancia de analizar de forma dos por un vector de N valores cada uno, siendo N
simultánea los patrones espaciales y espectrales ha es el número de bandas espectrales. El esquema
sido reconocida por la comunidad científica como un desarrollado para lograr la extensión se basa en las
objetivo altamente deseable, el cual puede introducir siguientes definiciones (Plaza y col., 2002). Sea
una mejora en los resultados proporcionados por téc- f(x,y) un vector de N dimensiones asociado con
nicas estándar de análisis hiperespectral (Landgrebe, un píxel en las coordenadas espaciales (x,y). Sea
22002). En este trabajo, describimos un nuevo méto- K = {f(x, y); (x, y) ∈ Z (K)}un conjunto que deno-
do automático para el análisis y clasificación de imá- ta los vectores que pertenecen al elemento estructu-
genes hiperespectrales, cuya principal aportación es ral K utilizado en la operación morfológica, donde
2la consideración simultánea de información espacial Z (K) constituye el conjunto de posiciones (s,t) de
y espectral. El método se basa en conceptos de mor- dicho elemento. Del mismo modo, sea M el núme-
fología matemática, una técnica clásica de análisis ro de elementos en la vecindad impuesta por el ele-
de imágenes que es generalizada al caso de imágenes mento estructural K alrededor del píxel f(x,y). Si
multi-dimensionales en este trabajo. A la hora de denotamos como k(s,t) al vector asociado a cada
validar la nueva metodología propuesta, utilizamos uno de los elementos del elemento estructural y
datos simulados y reales adquiridos por el sensor denominamos Dist a la distancia angular entre los
hiperespectral de altas prestaciones AVIRIS, demos- vectores correspondientes a dos píxels f(x,y) y
trando su utilidad en diferentes aplicaciones. f(x’,y’) de la imagen, podemos definir la distancia
acumulada D entre un determinado píxel, f(x,y),
donde (x,y)∈Κ, y el resto de los elementos de K
MÉTODOS mediante las dos siguientes expresiones:
En este apartado presentamos la nueva metodolo-
gía propuesta para identificar firmas espectrales
puras o endmembers en imágenes hiperespectrales.
Inicialmente, describimos un esquema para extender
las operaciones morfológicas clásicas al caso de imá-
genes hiperespectrales. Este paso permite obtener Una vez definidas estas expresiones, es posible
operadores morfológicos capaces de caracterizar de extender las operaciones de dilatación y erosión a
forma precisa cada uno de los píxels de la imagen en imágenes hiperespectrales de forma intuitiva. En
el dominio espacial y espectral. A continuación, se concreto, las operaciones de dilatación y erosión
describe en detalle el algoritmo propuesto, basado en hiperespectral pueden expresarse, respectivamente,
la aplicación de operadores morfológicos extendidos de la siguiente forma:
sobre la imagen original, tarea que se complementa
con técnicas de crecimiento de regiones.
Matemática morfológica extendida
Las operaciones morfológicas básicas (dilatación En ambos casos, los operadores arg_Max y
y erosión) se basan respectivamente en el cálculo arg_Min seleccionan, respectivamente, el píxel de
del valor máximo y mínimo en una vecindad o la vecindad para el cual el valor de la distancia acu-
102 N.º 21 - Junio 2004Algoritmos de extracción de endmembers en imágenes hiperespectrrales
mulada D es máximo/mínimo. Estos elementos RESULTADOS
corresponden al píxel espectralmente más puro y al
menos puro en la vecindad espacial definida por el En este apartado presentamos una evaluación
elemento estructural. del método propuesto utilizando imágenes sintéti-
cas y reales. Las pruebas con imágenes sintéticas
están orientadas a evaluar de forma preliminar el
Algoritmo propuesto funcionamiento de la metodología propuesta,
estudiando el ajuste de parámetros y su impacto
El método propuesto ha sido denominado Auto- en el resultado final. Po