Algorithmes bayésiens pour le démélange supervisé, semi-supervisé et non-supervisé d’images hyperspectrales

Algorithmes bayésiens pour le démélange supervisé, semi-supervisé et non-supervisé d’images hyperspectrales

Nicolas Dobigeon Saïd Moussaoui  Martial Coulon  Jean-Yves Tourneret  Alfred O. Hero 

Université de Toulouse, IRIT/INP-ENSEEIHT 2, rue Charles Camichel – B.P. 7122, F-31071 Toulouse Cedex 7

IRCCyN – CNRS UMR 6597, ECN 1, rue de la Noë – B.P. 92101, F-44321 Nantes Cedex 3

University of Michigan, Department of EECS 1301 Beal Avenue – Ann Arbor, MI 48109-2122, USA

Corresponding Author Email: 
nicolas.dobigeon@enseeiht.fr
Page: 
79-108
|
DOI: 
https://doi.org/10.3166/TS.27.79-108
Received: 
1 October 2009
|
Accepted: 
15 May 2010
|
Published: 
28 February 2010
| Citation

OPEN ACCESS

Abstract: 

This article describes fully Bayesian algorithms to unmix hyperspectral images. Each pixel of the hyperspectral image is decomposed as a combination of pure endmember spectra according to the linear mixing model. In a supervised context, the endmembers are assumed to be known. The unmixing problem consists of estimating the mixing coefficients under positivity and additivity constraints. An appropriate distribution is chosen as prior distribution for these coefficients, that are estimated from their posterior distribution. A Markov chain Monte Carlo (MCMC) algorithm is developed to approximate the estimators. In a semi-supervised framework, the spectra involved in the mixtures are assumed to be unknown. They are supposed to belong to a known spectral library. A reversible-jump MCMC algorithm allows one to solve the resulting model selection problem. Finally, in a final step, the previous algorithms are extended to handle the unsupervised unmixing problem, i.e., to estimate the endmembers and the mixing coefficients jointly. This blind source separation problem is solved in a lower-dimensional space, which effectively reduces the number of degrees of freedom of the unknown parameters.

RÉSUMÉ

Cet article présente des algorithmes bayésiens pour le démélange d’images hyperspectrales. Chaque pixel de l’image est décomposé selon une combinaison linéaire de spectres de référence pondérés par des coefficients d’abondances. Dans un cadre supervisé, nous supposons connus les spectres de références. Le problème consiste alors à estimer les coefficients du mélange sous des contraintes de positivité et d’additivité. Une loi a priori adéquate est choisie pour ces coefficients qui sont inférés à partir de leur loi a posteriori. Un algorithme de Monte Carlo par chaîne de Markov (MCMC) est développé pour approcher les estimateurs. Dans un cadre semi-supervisé, les spectres participant au mélange sont supposés inconnus. Nous faisons l’hypothèse qu’ils appartiennent à une bibliothèque spectrale. Un algorithme MCMC à sauts réversibles permet dans ce cas de résoudre le problème de sélection de modèle. Enfin, dans un dernier cadre d’étude, les algorithmes précédents sont étendus au démélange non-supervisé d’images hyperspectrales, c’est-à-dire au problème d’estimation conjointe des spectres et des coefficients de mélange. Ce problème de séparation aveugle de sources est résolu dans un sous-espace approprié.

Extended Abstract
1. Introduction
2. Modèle De Mélange Linéaire Et Position Du Problème
3. Cadre Supervisé : Les Pôles De Mélange Sont Connus
4. Cadre Semi-Supervisé : Les Pôles De Mélange Sont Partiellement Connus
5. Cadre Non-Supervisé : Les Pôles De Mélanges Sont Inconnus
6. Conclusion Et Discussion
  References

Akgun T., Altunbasak Y., Mersereau R. M. (2005). « Super-Resolution Reconstruction of Hyperspectral Images », IEEE Trans. Image Processing, vol. 14, n° 11, p. 1860-1875, Nov. AVIRIS Free Data, Jet Propulsion Lab. (JPL), California Inst. Technol., Pasadena, CA, 2006. http://aviris.jpl.nasa.gov/html/aviris.freedata.html.

Berman M., Kiiveri H., Lagerstrom R., Ernst A., Dunne R., Huntington J. F. (2004). « ICE : A Statistical Approach to Identifying Endmembers in Hyperspectral Images », IEEE Trans. Geosci. and Remote Sensing, vol. 42, n° 10, p. 2085-2095, Oct.

Blumensath T., Davies M. E. (2007). « Monte-Carlo methods for adaptive sparse approximations of time-series », IEEE Trans. Signal Processing, vol. 55, n° 9, p. 4474-4486, Sept..

Boardman J. (1993). « Automating spectral unmixing of AVIRIS data using convex geometry concepts », Summaries 4th Annu. JPL Airborne Geoscience Workshop, vol. 1, JPL Pub.,Washington, D.C., p. 11-14.

Bowles J. H., Palmadesso P. J., Antoniades J. A., Baumback M. M., Rickard L. J. (1995), « Use of filter vectors and fast convex set methods in hyperspectral analysis », in M. Strojnik, B. F. Andresen (eds), Infrared Spaceborne Remote Sensing III, vol. 2553, SPIE, p. 148-157, Sept.

Chang C.-I. (2003). Hyperspectral Imaging : Techniques for Spectral detection and classification, Kluwer, New York.

Chang C.-I., Ji B. (2001). « Weighted abundance-constrained linear spectral mixture analysis », IEEE Trans. Geosci. and Remote Sensing, vol. 44, n° 2, p. 378-388, Feb.

Chen F. W. (2005). « Archiving and Distribution of 2-D Geophysical Data Using Image Formats With Lossless Compression », IEEE Geosci. and Remote Sensing Lett., vol. 2, n° 1, p. 64-68, Jan.

Chen M.-H., Deely J. J. (1996). « Bayesian Analysis for a Constrained Linear Multiple Regression Problem for Predicting the New Crop of Apples », J. of Agricultural, Biological and Environmental Stat., vol. 1, p. 467-489.

Christophe E., Léger D., Mailhes C. (2005). « Quality Criteria Benchmark for Hyperspectral Imagery », IEEE Trans. Geosci. and Remote Sensing, vol. 43, n° 9, p. 2103-2114, Sept.

Craig M. D. (1994). « Minimum Volume Transforms for Remotely Sensed Data », IEEE Trans. Geosci. and Remote Sensing, vol. 14, n° 3, p. 542-552, May.

Denison D. G. T., Holmes C. C., Mallick B. K. (2002). Smith A. F. M., Bayesian methods for nonlinear classification and regression, Wiley, Chichester, England.

Dobigeon N. (2007). Modèles bayésiens hiérarchiques pour le traitement multi-capteurs, PhD thesis, Institut National Polytechnique (INP) de Toulouse, Toulouse, France.

Dobigeon N., Achard V. (2005). « Performance comparison of geometric and statistical methods for endmembers extraction in hyperspectral imagery », in L. Bruzzone (ed.), Image and Signal Processing for Remote Sensing XI, vol. 5982, SPIE, p. 335-344, Oct.

Dobigeon N., Moussaoui S., Coulon M., Tourneret J.-Y., Hero A. O. (2009). « Joint Bayesian endmember extraction and linear unmixing for hyperspectral imagery », IEEE Trans. Signal Processing, vol. 57, n° 11, p. 4355-4368, Nov.

Dobigeon N., Tourneret J.-Y. (2007a). Efficient sampling according to a multivariate Gaussian distribution truncated on a simplex, Technical report, IRIT/ENSEEIHT/TéSA, March.

Dobigeon N., Tourneret J.-Y., Chang C.-I. (2008a). « Semi-Supervised Linear Spectral Unmixing Using a Hierarchical Bayesian Model for Hyperspectral Imagery », IEEE Trans. Signal Processing, vol. 56, n° 7, p. 2684-2695, July.

Dobigeon N., Tourneret J.-Y., Davy M. (2007b). « Joint segmentation of piecewise constant autoregressive processes by using a hierarchical model and a Bayesian sampling approach », IEEE Trans. Signal Processing, vol. 55, n° 4, p. 1251-1263, April.

Dobigeon N., Tourneret J.-Y., Hero A. O. (2008b). « Bayesian linear unmixing of hyperspectral images corrupted by colored Gaussian noise with unknown covariance matrix », IEEE Int. Conf. Acoust., Speech, and Signal Processing (ICASSP), Las Vegas, USA, p. 3433-3436, March.

Févotte C., Godsill S. J. (2006). « A Bayesian Approach for Blind Separation of Sparse Sources », IEEE Trans. Audio, Speech, Language Processing, vol. 14, n° 6, p. 2174-2188, Nov.

Green P. J. (1995). « Reversible jump MCMC computation and Bayesian model determination », Biometrika, vol. 82, n° 4, p. 711-732, Dec.

Hapke B. W. (1981). « Bidirectional reflectance spectroscopy. I. Theory », J. Geophys. Res., vol. 86, p. 3039-3054.

Heinz D. C., Chang C.-I. (2001). « Fully constrained least-squares linear spectral mixture analysis method for material quantification in hyperspectral imagery », IEEE Trans. Geosci. and Remote Sensing, vol. 29, n° 3, p. 529-545, March.

Iordache M.-D., Bioucas-Dias J., Plaza A. (2009). « Unmixing of sparse hyperspectral mixtures », Proc. IEEE Int. Conf. Geosci. and Remote Sensing (IGARSS), Cape Town, South Africa, March.

Jackson Q., Landgrebe D. A. (2002). « An Adaptive Method for Combined Covariance Estimation and Classification », IEEE Trans. Geosci. and Remote Sensing, vol. 40, n° 5, p. 1082-1087, May.

Jeffreys H. (1961). Theory of Probability, 3 edn, Oxford University Press, London, 1961.

Johnson P. E., Smith M. O., Taylor-George S., Adams J. B. (1983). « A semiempirical method for analysis of the reflectance spectra of binary mineral mixtures », J. Geophys. Res., vol. 88, p. 3557-3561.

Kay S. M. (1993). Fundamentals of Statistical Signal Processing : Estimation theory, Prentice Hall, Englewood Cliffs NJ.

Keshava N., Mustard J. F. (2002). « Spectral Unmixing », IEEE Signal Processing Magazine, vol., p. 44-57, Jan.

Manolakis D., Siracusa C., Shaw G. (2001). « Hyperspectral Subpixel Target Detection Using the Linear Mixing Model », IEEE Trans. Geosci. and Remote Sensing, vol. 39, n° 7, p. 1392-1409, July.

Moussaoui S., Brie D., Mohammad-Djafari A., Carteret C. (2006). « Separation of NonNegative Mixture of Non-Negative Sources Using a Bayesian Approach and MCMC Sampling », IEEE Trans. Signal Processing, vol. 54, n° 11, p. 4133-4145, Nov.

Nascimento J. M., Bioucas-Dias J. M. (2005a). « Vertex Component Analysis : A Fast Algorithm to Unmix Hyperspectral Data », IEEE Trans. Geosci. and Remote Sensing, vol. 43, n° 4, p. 898- 910, April.

Nascimento J. M. P., Bioucas-Dias J. M. (2005b), « Does independent component analysis play a role in unmixing hyperspectral data ? », IEEE Trans. Geosci. and Remote Sensing, vol. 43, n° 1, p. 175-187, Jan.

Paatero P., Tapper U. (1994). « Positive Matrix Factorization : a non-negative factor model with optimal utilization of error estimates of data values », Environmetrics, vol. 5, p. 111-126.

Pearlman J. S., Barry P. S., Segal C. C., Shepanski J., Beiso D., Carman S. L. (2003). « Hyperion, a Space-Based Imaging Spectrometer », IEEE Trans. Geosci. and Remote Sensing, vol. 41, n° 6, p. 1160-1173, June.

Plaza J., Pérez R., Plaza A., Martínez P., Valencia D. (2005). « Mapping oil spills on sea water using spectral mixture analysis of hyperspectral image data », in J. O. Jensen, J.-M. Thériault (eds), Chemical and Biological Standoff Detection III, vol. 5995, SPIE, p. 79-86.

Punskaya E., Andrieu C., Doucet A., Fitzgerald W. (2002). « Bayesian curve fitting using MCMC with applications to signal segmentation », IEEE Trans. Signal Processing, vol. 50, n° 3, p. 747-758, March.

Rellier G., Descombes X., Falzon F., Zerubia J. (2004). « Texture Feature Analysis Using a Gauss Markov Model in Hyperspectral Image Classification », IEEE Trans. Geosci. and Remote Sensing, vol. 42, n° 7, p. 1543-1551, July.

Richardson S., Green P. J. (1997). « On Bayesian analysis of mixtures with unknown number of components », J. Roy. Stat. Soc. B, vol. 59, n° 4, p. 731-792.

Richardson S., Green P. J. (1998). « Corrigendum : On Bayesian analysis of mixtures with unknown number of components », J. Roy. Stat. Soc. B, vol. 60, n° 3, p. 661.

Robert C. P. (1995). « Simulation of truncated normal variables », Statistics and Computing, vol. 5, p. 121-125.

Robert C. P. (2007). The Bayesian Choice : from Decision-Theoretic Motivations to Computational Implementation, Springer Texts in Statistics, 2 edn, Springer-Verlag, New York.

Robert C. P., Casella G. (1999). Monte Carlo Statistical Methods, Springer-Verlag, New York.

RSI (Research Systems Inc.) (2003). ENVI User’s guide Version 4.0, Boulder, CO 80301 USA. Sept.

Tang X., Pearlman W. A. (2004). « Lossy-to-lossless block-based compression of hyperspectral volumetric data », Proc. IEEE Int. Conf. Image Processing (ICIP), vol. 5, p. 3283-3286, Oct.

Themelis K. E., Rontogiannis A. A., Koutroumbas K. (2010). « Semi-supervised hyperspectral unmixing via the weighted lasso », Proc. IEEE Int. Conf. Acoust., Speech, and Signal Processing (ICASSP), Dallas, TX, p. 1194-1197, March.

Theys C., Dobigeon N., Tourneret J.-Y., Lantéri H. (2009). « Linear unmixing of hyperspectral images using a scaled gradient method », Proc. IEEE-SP Workshop Stat. and Signal Processing, Cardiff, UK, p. 729-732, Aug.

Tu T. M., Chen C. H., Chang C.-I. (1998). « A Noise Subspace Projection Approach to Target Signature Detection and Extraction in an Unknown Background for Hyperspectral Images », IEEE Trans. Geosci. and Remote Sensing, vol. 36, n° 1, p. 171-181, Jan.

Winter M. (1999). « Fast Autonomous Spectral End-member Determination in Hyperspectral Data », Proc. 13th Int. Conf. on Applied Geologic Remote Sensing, vol. 2, Vancouver,p. 337-344, April.