ارائۀ یک الگوریتم وفقی به‌منظور تجزیۀ طیفی مواد در تصاویر فراطیفی

در این مقاله، روش پردازشی نوینی به‌منظور تجزیۀ طیفی مواد در تصاویر فراطیفی ارائه شده است. بیشتر روش‌های تجزیۀ طیفی موجود با فرض مدل خطی برای پدیدۀ اختلاط طیفی، تلاش می‌کنند با ارائۀ الگوریتم‌هایی، امضای طیفی مواد موجود احتمالی را در تصویر فراطیفی مشاهده‌شده تخمین بزنند و صرفاً با مقایسۀ آنها با امضاهای طیفی موجود در کتابخانۀ طیفی و بر مبنای مشابهت طیفی، به نوع مادۀ تشکیل‌دهندۀ تصویر پی ببرند؛ درحالی‌که کتابخانۀ طیفی، به‌منزلۀ دانش قبلی و اتکاپذیر، اطلاعات ارزشمندی در اختیار ما قرار می‌دهد. گفتنی است در پایه‌ریزی الگوریتم‌های موجود، کمتر به این کتابخانه توجه شده است. استفادۀ مستقیم از اطلاعات کتابخانۀ طیفی، اساس روش پیشنهادی در این مقاله است. در روش پیشنهادی و با فرض مدل خطی برای پدیدۀ اختلاط طیفی، مسئلۀ تجزیۀ طیفی با یک مدل خطی و تغییرناپذیر با زمان و بدون هرگونه فرض آماری بر مجموعه‌ای از امضاهای طیفی موجود در کتابخانۀ طیفی، مدل‌سازی می‌شود. بردار وزن این مدل برای هر کدام از امضاهای طیفی حاضر در مجموعۀ انتخاب‌شده، با الگوریتم کمترین میانگین مربعات نرمالیزه‌شده (normalized least mean square: nlms) تخمین زده می‌شود؛ به‌گونه‌ای‌که امضای طیفی هر ماده و بردار وزن متناظر با آن، یک زوج به‌شدت نامتعامد را تشکیل می‌دهند؛ درحالی‌که این بردار وزن بر امضای طیفی سایر مواد تقریباً عمود است. به‌منظور ارزیابی عملکرد الگوریتم پیشنهادی و مقایسۀ آن با الگوریتم‌های دیگر، از مجموعه‌دادۀ فراطیفی و سنتزشدۀ مبتنی بر فراکتال‌ها استفاده شده که برای همین منظور تهیه شده است. دو ویژگی مهم الگوریتم nlms، یعنی مقاوم‌بودن و توانایی تشخیص سریع تغییرات پارامتر باعث می‌شود الگوریتم پیشنهادی نسبت به نویز و تغییرات طیفی، مقاوم و در مقایسه با الگوریتم‌های دیگر، عملکرد بهتری در نسبت‌های سیگنال به نویز (snr) پایین داشته باشد.

A New Adaptive Algorithm for Spectral Unmixing in Hyperspectral Images

In this paper, a novel adaptive algorithm for spectral unmixing in hyperspectral images (HSIs) is proposed. Many of the existing spectral unmixing algorithms, under the assumption of the linear model for the spectral mixing phenomenon, attempt to estimate the signatures of available materials in the observed HSI image. Then, based on the similarity between the estimated spectral signatures and the available spectral signatures in the spectral library, they identify the materials in the HSI and estimate their relative abundances. While the spectral library, as prior knowledge, has not been directly considered in the founding of existing algorithms, the proposed method is directly concentrated on the spectral signatures library. Assuming the linear spectral mixing model, the proposed method takes a set of spectral signatures which are probably present in the observed HSI. Then, based on a nonstatistical approach, the normalized least mean square (NLMS) adaptive algorithm is engaged to estimate a weight vector for each spectral signature in the selected set in such a way that each weight vector and its corresponding spectral signature are nonorthogonal whereas the weight vector of each spectral signature is almost orthogonal to the other spectral signatures. A synthetic dataset of hyperspectral images is considered to evaluate the performance of the proposed method. The evaluation results show that the proposed method outperforms its counterparts in low signal to noise ratio (SNR).