Аннотация:
В статье предлагается новый метод определения параметров линейной спектральной смеси для гиперспектральных изображений, позволяющий полностью исключить предварительную процедуру коррекции атмосферных искажений зарегистрированного изображения. Идея метода заключается в объединении моделей атмосферных искажений и линейной спектральной смеси в единую модель. В этом случае оценка параметров линейной спектральной смеси отсчетов гиперспектральных изображений, так же как и параметров атмосферных искажений, оказывается формально разрешимой задачей. В статье приводятся и предлагаемые агрегированные (сквозные) модели, и использованные в постановке задачи оценивания критерии, и разработанные в конечном итоге различные алгоритмы получения искомых оценок. Демонстрируется принципиальная возможность получения такого решения; приводятся погрешности оценки коэффициентов спектральной смеси, а также их зависимость от мощности шума на изображении, объёма исходной выборки и степени переопределенности набора сигнатур.

Ключевые слова :
гиперспектральные изображения, спектральные сигнатуры, атмосферная коррекция, градиентный метод, квадратичное программирование.

Цитирование:
Денисова А.Ю. Анализ линейной спектральной смеси, инвариантный к атмосферным искажениям гиперспектральных изображений / А.Ю. Денисова, Ю.Н. Журавель, В.В. Мясников // Компьютерная оптика. – 2016. – Т. 40, № 3. – С. 380-387. – DOI: 10.18287/2412-6179-2016-40-3-380-387.

Литература:

1. Кирилин, А.Н. Космический аппарат «Ресурс-П» / А.Н. Кирилин, А.И. Бакланов, Р.Н. Ахметов, В.М. Фё­доров, Н.Р. Стратилатов, М.В. Новиков // Геоматика. – 2010. – № 4(9). –С. 23-26.
2. Matthew, M.V. Atmospheric correction of spectral imagery: evaluation of the FLAASH algorithm with AVIRIS data / M.V. Matthew, S.M. Adler-Golden, A. Berk, G. Felde, G.P. Anderson, D. Gorodetzky, S. Paswaters, M. Shippert // Applied Imagery Pattern Recognition Workshop, 2002. AIPR ’02. 31st. – 2002. – P. 157-163. – DOI: 10.1109/AIPR.2002.1182270.
3. Kruse, F.A. Comparison of ATREM, ACORN, and FLAASH atmospheric corrections using low-altitude AVIRIS data of Boulder, CO / F.A. Kruse // Summaries of 13th JPL Airborne Geoscience Workshop. Jet Propulsion Lab, Pasadena, CA. – 2004.
4. Belov, A.M. Atmospheric correction of hyperspectral images based on approximate solution of transmittance equation / A.M. Belov, V.V. Myasnikov // Proceedings of SPIE: 7th International Conference on Machine Vision, ICMV 2014. – 2015. – Vol. 9445. – 94450S (5 p.). – DOI: 10.1117/12.2181364.
5. Chang, C.I. Hyperspectral Data Processing: Algorithm Design and Analysis / C.I. Chang. – John Wiley & Sons, 2013. – 1164 p. – ISBN: 978-0-471-69056-6.
6. Keshara, N.A. Survey of Spectral Unmixing Algorithms / N.A. Keshara // Lincoln Laboratory Journal. – 2003. – Vol. 14(1). – P. 55-78.
7. Денисова, A.Ю. Алгоритм оценки параметров линейной спектральной смеси с полными ограничениями для анализа отсчётов гиперспектральных изображений / А.Ю. Денисова, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 4. – С. 782-789.
8. Yuanliu, X. Atmospheric correction of hyperspectral data using MODTRAN model / X. Yuanliu, W. Runsheng, L. Shengwei, Y. Suming, Y. Bokun // Proceedings of SPIE. Remote Sensing of the Environment: 16th National Symposium on Remote Sensing of China. – 2008. – Vol. 7123. – 712306 (7 p.). – DOI: 10.1117/12.815552.
9. Мину, М. Математическое программирование: Теория и алгоритмы / М. Мину. – М.: Наука, 1990. – 488 с. – ISBN: 5-02-013980-7.

---

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20