Multifeature Hyperspectral Unmixing Based on Tensor Decomposition - Archive ouverte HAL Access content directly
Preprints, Working Papers, ... Year :

Multifeature Hyperspectral Unmixing Based on Tensor Decomposition

Démélange hyperspectral multi-caractéristique basé sur la décomposition tensorielle

(1) , (1, 2, 3) , (4, 5) , (6)
1
2
3
4
5
6

Abstract

Hyperspectral unmixing allows to represent mixed pixels as a set of pure materials weighted by their abundances. Spectral features alone are often insufficient, so it is common to rely on other features of the scene. Matrix models become insufficient when the hyperspectral image is represented as a high-order tensor with additional features in a multimodal, multi-feature framework. Tensor models such as canonical polyadic decomposition allow for this kind of unmixing, but lack a general framework and interpretability of the results. In this paper, we propose a methodological framework for multi-feature unmixing based on alternating optimization alternating direction method of multipliers and incorporating abundance sum-to-one constraint (AO-ADMM-ASC), with in-depth mathematical, physical and graphical interpretation and connections with the extended linear mixing model. As additional features, we propose to incorporate mathematical morphology and reframe a previous work on neighborhood patches within our framework. Experiments on real hyperspectral image data show the efficiency of AO-ADMM-ASC and allows an in-depth interpretation of the model. Python and MATLAB implementations of AO-ADMM-ASC are made available on GitHub.
Le démixage hyperspectral permet de représenter les pixels mixtes comme un ensemble de matériaux purs pondérés par leurs abondances. Les caractéristiques spectrales seules sont souvent insuffisantes, il est donc courant de s'appuyer sur d'autres caractéristiques de la scène. Les modèles matriciels deviennent insuffisants lorsque l'image hyperspectrale est représentée comme un tenseur d'ordre élevé avec des fonctionnalités supplémentaires dans un cadre multimodal et multi-fonctionnalités. Les modèles tensoriels tels que la décomposition polyadique canonique permettent ce type de démixage, mais manquent d'un cadre général et d'une interprétabilité des résultats. Dans cet article, nous proposons un cadre méthodologique pour le démixage multi-caractéristiques basé sur la méthode de direction alternée d'optimisation alternée des multiplicateurs et incorporant la contrainte somme-à-un d'abondance (AO-ADMM-ASC), avec une interprétation mathématique, physique et graphique approfondie. et les connexions avec le modèle de mélange linéaire étendu. Comme fonctionnalités supplémentaires, nous proposons d'incorporer la morphologie mathématique et de recadrer un travail antérieur sur les patchs de voisinage dans notre cadre. Des expériences sur des données d'images hyperspectrales réelles montrent l'efficacité de l'AO-ADMM-ASC et permettent une interprétation approfondie du modèle. Les implémentations Python et MATLAB de AO-ADMM-ASC sont disponibles sur GitHub.
Fichier principal
Vignette du fichier
Tensor_HSI_Unmixing.pdf (5.7 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03480890 , version 1 (14-12-2021)
hal-03480890 , version 2 (30-12-2021)
hal-03480890 , version 3 (27-09-2022)
hal-03480890 , version 4 (30-09-2022)

Identifiers

  • HAL Id : hal-03480890 , version 4

Cite

Mohamad Jouni, Mauro Dalla Mura, Lucas Drumetz, Pierre Comon. Multifeature Hyperspectral Unmixing Based on Tensor Decomposition. 2022. ⟨hal-03480890v4⟩
266 View
41 Download

Share

Gmail Facebook Twitter LinkedIn More