Title: Introduccion a la descomposicion espectral
1Introduccion a la descomposicion espectral
- Spectral unmixing, N Hashava, J,F, Mustard, IEEE
Signal Processing Magazine, Jan 2002
2Introducción
- Razones de la mezcla de varias substancias que se
produce - La resolucion espacial del sensor es tan baja
como para que materiales distintos ocupen un
pixel. - Los materiales están combinados en una mezcla
homogenea en el pixel.
3Ilustración de la interacción de superficie que
justifica un modelo lineal (a) o un modelo no
lineal (b), dependiendo de si la mezcla de
componentes en homogénea en la superficie del
pixel (b) o los componentes están separados (a).
4Spectral unmixing
- Descomposición espectral el espectro medido en
un pixel se descompone en - una colección de espectros componentes
endmembers y - Abundancias que indican el porcentaje de cada
endmember presente en el pixel. - Problema inverso generalizado estimar parámetros
que describen un objeto estudiando una señal que
ha interactuado con el objeto antes de llegar al
sensor.
5El modelo lineal (LMM)
- Premisa del modelado de mezclas
- Dentro de una escena dada la superficie está
dominada por un pequeño numero de materiales
distintos con propiedades espectrales constantes. - Endmembers materiales distintos
- Abundancias fraccionales fracciones de aparición
- El modelo lineal asume que existe una relación
lineal entre las abundancias de los materiales y
el espactro observado.
6Modelo de mezcla lineal (LMM)
En notación matricial
Restricciones sobre las abundancias no
negatividad y aditividad completa
7Modelo lineal versus modelo no lineal
- Puede asumirse el modelo lineal de composición si
los materiales están espacialmente segregados, - cada subregión espacial está dominada por un
material y el espectro del pixel mezcla puede
considerarse como combinación lineal de los de
los materiales - No puede asumirse el modelo lineal si los
materiales están en asociación intima - La luz interacciona de forma no lineal con mas de
un material antes de ser reflejada - Se ha reconocido en casos de minerales y
cubiertas boscosas. - Determinar si las conds no lineales dominan la
escena es un problema abierto
8Distribución de los puntos sobre dos bandas en
caso de mezcla espectral simulada con un modelo
lineal (a) y un modelo no lineal (b). La mezcla
no lineal esta sesgada hacia el componente de
bajo albedo D y los puntos entre los endmembers
no están distribuidos en segmentos de rectas,
sino en segmentos curvilíneos.
9Error de prediccion inhente al modelo lineal en
un caso simulado. Una de las causas es que el
modelo lineal introduce abundancias de todos los
componentes para minimizar el error, aunque no
estén presentes (lo que ocurre en las aristas del
triángulo)
10Imagenes lunares, 5 bandas entre 400nm y 1000nm,
resolución espacial entre 120 y 150 m/pixel.
Problema examinar la estabilidad de fronteras
geológicas (highland y zona volcanica) sujeta a
bombardeo de meteoros
El modelo lineal muestra que existe una
distribución asimétrica del transporte de
material, reflejado en las abundancias de basalto
a ambos lados de la frontera geológica. El modelo
lineal muestra una distribución simétrica.
11Dificultades para el uso de modelos de mezclas no
lineales Es necesario conocer todas las
propiedades de dispersión de los materiales en la
mezcla para realizar los cálculos fotométricos Se
pueden simplificar las cos asumiendo superficies
lambertianas. Se requiere información detallada
sobre la orientación relativa de los endmembers y
el sensor. Se puede usar información de situación
del aparato y modelos de elevación del
terreno. El tamao de las particulas, su
composición y estado de alteración son parámetros
importantes del modelo no lineal y difíciles de
conocer.
12Elementos del proceso de descomposición espectral
(unmixing) lineal.
- Reducción de dimensiones
- Produce una transformación a datos en un espacio
de dimensiones reducidas - Determinación de los endmembers
- Estima los espectros de los materiales que
aparecen en la escena. - Inversión de la mezcla
- Calcula las abundancias fraccionales de cada
material en cada pixel.
13Imagen experimental HYDICE 210 bandas entre 400nm
y 2500 nm. 400x320 pixeles (muestras) Conversión
de radiancia a reflectancia mediante
ATREM Resolución espacial 1x1 m2. 144 bandas se
usan.
14(No Transcript)
15Distribución de la energia acumulada de los
autovectores de la transformación en componentes
principales en la imagen experimental
16(No Transcript)
17Determinación de los endmembers
- Estimación empírica desde la escena
- Observación e intuición física
- Métodos automatizados
- Basados en criterios estadísticos
- Optimización de una función criterio
- Los endmembers pueden ser irrealistas
18Determinación interactiva
- Los endmembers deben ser linealmente
independientes. - El máximo número será el número de bandas.
- Los canes están altamente correlacionados.
- Materiales diferentes pueden tener espectros muy
similares o presentar combinación lineal de
otros, por lo que no pueden ser identificados o
usados.
19- Aproximación práctica
- Detectar pixeles con alta abundancia de un
material o de clases claramente difereciadas como
image endmembers (IE). - Los IE deben acotar lo mejor posible los datos
definiendo un envolvente convexo (convex hull). - Al resolver las abundancias, los datos pueden
caer fuera del envolvente convexo, dado que los
IE son a su vez combinación de materiales.
20(No Transcript)
21Metodos automaticos de determinación de endmembers
- Métodos no paramétricos
- Clustering se han propuesto variantes del
k-means para incorporar el modelo de mezcla
lineal - Métodos paramétricos
- Estimación de los endmembers como va gausianas
mediante EM a partir de los datos de la imagen
Stochastic Mixing Model (SMM) - Modified Spectral Mixture Analysis (MSMA) estima
simultaneamente las abundancias y los endmembers
mediante un método iterativo no lineal que
minimiza el error de ajuste - Métodos geométricos se basan en la similitud de
los endmembers y la tería de conjuntos convexos.
22Metodo geométrico
- Los endmembers residen en los extremos de los
volumenes ocupados por los datos, - Se estiman los planos extremos del volumen de los
datos, - Los endmember son los vertices del simplex que
encierra los datos y tiene el mismo numero de
vertices - Shrink-wrapping solo requiere conocimiento de los
pixeles en el perimetro - Suele ser requerida la reduccion de dimensiones
mediante PCA o MSN. - Sensible a outliers y artefactos.
23Endmembers obtenidos mediante el método
geométrico, endmember 3 es ruido.
24Métodos de mínimos cuadrados para la inversion de
la mezcla. En el caso sin restricciones se
reduce a la seudo-inversa. Con restricción de
aditividad se convierte en una corrección del
caso sin restricciones con un término que depende
de la colección de endmembers. Con restricción de
no negatividad, el problema cae dentro de la
clase de problemas de programación cuadrática. La
aproximación es iterativa, estimando versiones de
la solución que minimizan el funcional no
restringido con las correcciones dadas sobre la
libreria de endmembers.
25Calculo de las abundancias con la restricción de
no negatividad
26El examen de la imagen de la suma de las
abundancias demuestra que garantizar la
no-negatividad no lleva consigo la aditividad
completa de los componentes en todos los pixeles.
27(No Transcript)