Procesamiento eficiente y profundo de imágenes hiperespectrales y aplicación en tareas de desmezclado espectral

Abstract

Los datos hiperespectrales se han utilizado ampliamente en tareas de vigilancia terrestre. A pesar de sus interesantes cualidades, estos datos suelen suelen presentar un problema debido a la alta resolución espectral y la baja resolución espacial, lo que da lugar a píxeles mezclados. En este sentido, el desmezclado hiperespectral, se convierte en la clave del análisis y la cuantificación de los materiales observados. Esta técnica tiene como objetivo determinar el número de endmembers, obtenerlos y estimar mapas de abundancias. Recientemente, con la utilización de ténicas de aprendizaje profundo se han logrado resultados prometedores en diversos campos debido a sus grandes capacidades de extracción de características. Entre los diferentes modelos neuronales, el autoencoder como algoritmo clásico de DL puede completar las dos tareas, por una parte, la extracción de endmembers y por otra la estimación de abundancias. Sin embargo, la mayoría de ellos sólo utilizan información espectral e ignoran la información espacial. En esta tesis, inspirados en los algoritmos tradicionales de aprendizaje automático, se han desarrollado varios procedimientos de desmezclado novedosos para determinar el número de endmembers, extraer firmas de endmember y estimar sus correspondientes abundancias en cada píxel. Además, también se han diseñado algunas redes nuevas basadas en DL para el desmezclado hiperespectral. En general, esta tesis presenta en primer lugar los conceptos relacionados con el desmezclado hiperespectral, a continuación, describe el estado actual de la investigación de los métodos de desmezclado tradicionales y basados en DL y, por último, presenta los métodos propuestos.

Hyperspectral remote sensing data have been widely used in ground monitoring tasks. Notwithstanding its interesting contributions to the scientific field, hyperspectral remote sensing data generally have the problem of high spectral resolution and low spatial resolution, which leads to mixed pixels in hyperspectral remote sensing images. How to extract and separate the spectral of various substances and determine their proportions, i.e., the hyperspectral unmixing, becomes the key to analysis and quantification. Hyperspectral unmixing generally aims to determine the number of endmembers, capture endmembers, and estimate abundance maps. Recently, Deep learning (DL) has achieved impressive results in various fields due to its powerful fitting and feature extraction capabilities. Among the different neural models, the autoencoder as a classic algorithm of DL can complete the two tasks, namely endmember extraction and abundance estimation. Especially, they usually extract the weight and output of a particular activation layer as endmembers and abundances, respectively. Nonetheless, most of them only utilize spectral information and ignore spatial information. In this thesis, inspired by traditional machine learning algorithms, several novel and excellent unmixing algorithms have been developed for determining the number of endmembers, extracting endmember signatures, and estimating their corresponding abundances at each pixel. Moreover, some new networks based on DL have also been designed for hyperspectral unmixing. Overall, this thesis first gives the related concepts of hyperspectral unmixing, then describes the current research status of traditional and DL-based unmixing methods, and finally introduces the proposed methods.