No abstract

Sparse hyperspectral unmixing aims at finding the sparse fractional abundance vector of a spectral signature present in a mixed pixel. However, there are several types of noise present in the hyperspectral images. These are called mixed noise including stripes, impulse noise and Gaussian noise which deteriorate the performance of sparse unmixing algorithms. In this study, we simultaneously unmix and denoise the hyperspectral image in a unified framework in the presence of mixed noise. In the denoising step, we utilize a low-rank and sparse decomposition based on a nonconvex approach to approximate the rank of hyperspectral data and eliminate the sparse noise terms. In the unmixing part, we employ a semi-supervised sparse unmixing algorithm which uses a nonconvex heuristic similar to denoising step to promote the sparsity of the abundance matrix. We conduct several experiments on synthetic and real hyperspectral data sets to validate the effectiveness of the proposed method in denoising and unmixing processes.INDEX TERMS Hyperspectral image (HSI), denoising, sparse unmixing, mixed noise, low-rank representation (LRR), abundance estimation.

No abstract

We propose a superpixel weighted low-rank and sparse unmixing (SWLRSU) method for sparse unmixing. The proposed method consists of two steps. In the first step, we segment hyperspectral image into superpixels which are defined as the homogeneous regions with different shape and sizes according to the spatial structure. Then, an efficient method is proposed to obtain a spatial weight term using superpixels to capture the spatial structure of hyperspectral data. In the second step, we solve a superpixel guided low-rank and spatially weighted sparse approximation problem in which spatial weight term obtained in the first step is used as a weight term in sparsity promoting norm. This formulation exploits the spatial correlation of the pixels in the hyperspectral image efficiently, which yields satisfactory unmixing results. The experiments are conducted on simulated and real data sets to show the effectiveness of the proposed method.

Seyrek gösterim tabanlı yaklaşımlar sinyal ve görüntü işleme alanlarında gösterdikleri performanstan dolayı son zamanlarda hiperspektral görüntüler üzerine de uygulanmaya başlanmış ve başarılı sonuçlar sağlanmıştır. Hiperspektal görüntü içerisindeki uzamsal bilginin de sınıflandırma işlemine dahil edilebilmesi için ortak seyrek gösterim sınıflandırıcı (OSGS) modeli geliştirilmiştir. Fakat bu modelde test pikseli etrafındaki sabit boyutlu bir pencere içerisindeki tüm komşu piksellerin ağırlık oranlarının eşit olduğu varsayılmaktadır. Özellikle de pencere boyutu arttıkça farklı sınıfa ait piksellerin sınıflandırma işlemine dahil olacağı düşünülürse hata payı artacaktır. Bu soruna bir çözüm üretebilmek için pencere içerisindeki merkez test pikseli ve her bir komşu piksele 3 adet spektral eşleştirme yöntemi uygulayıp OSGS ile birleştiren 3SE-OSGS metodu önerilmiştir. Eşleştirme yöntemlerinden elde edilen verilere ve eşik değerine göre ilgili komşu pikselin seçilmesi veya seçilmemesi sağlanmıştır.