Pamukkale Univ Muh Bilim Derg. 2023; 29(1): 1-9 | DOI: 10.5505/pajes.2022.70375

Hyperspectral unmixing with LiDAR-Based total variation regularized non-negative tensor factorization

Kubilay Ataþ¹, Atakan Kaya², Sevcan Kahraman^1
1Department of Electrical and Electronics Engineering, Istanbul Gelisim University, Istanbul, Turkey
²Prodrive Technologies, Software Development, Son, Holland

Spectral unmixing is one of the main research areas of hyperspectral image analysis. In recent years, Non-Negative Tensor Factorization based approaches have gained great importance in remote sensing as they do not lose information and can better represent hyperspectral images. The Total Variation approach preserves the edge information while providing piece-wise smoothness. On the other hand, the Light Detection and Ranging sensor provides Digital Surface Model information that gives height information about the observed scene. In this study, hyperspectral unmixing based on tensor factorization is performed to increase the spatial resolution of hyperspectral images by combining LiDAR Digital Surface Model information with Total Variation constrained. Experimental studies are carried out on simulation and real data sets and high spatial resolution hyperspectral images is obtained. The obtained results is compared with the state of the art Total Variation constrained Matrix-Vector Non-Negative Tensor Factorization approach and it is observed that the proposed method obtain better performance.

Keywords: Hyperspectral image, Light Detection And Ranging (LiDAR), data fusion, spectral unmixing, Total Variation, NTF, ADMM.

---

LiDAR-Tabanlý toplam deðiþinti kýsýtlý negatif-olmayan tensör faktörizasyonu ile hiperspektral karýþým giderimi

Kubilay Ataþ¹, Atakan Kaya², Sevcan Kahraman^1
1Ýstanbul Geliþim Üniversitesi, Elektrik-Elektronik Mühendisliði Bölümü, Ýstanbul, Türkiye
²Prodrive Technologies, Yazýlým Geliþtirme, Son, Hollanda

Spektral karýþým giderimi hiperspektral görüntülemenin temel araþtýrma alanlarýndan birisidir. Son yýllarda Negatif-olmayan Tensör Faktörizasyonuna dayalý yaklaþýmlar, bilgi kaybýna uðratmadýðý ve hiperspektral görüntüleri daha iyi temsil edebildiði için uzaktan algýlamada büyük bir önem kazanmýþtýr. Toplam Deðiþinti yaklaþýmý ise, parçalý pürüzsüzlüðü saðlarken kenar bilgisini de korumaktadýr. Öte yandan, kýzýlötesi algýlayýcýsý gözlemlenen sahne hakkýnda yükseklik bilgisini veren Dijital Yüzey Modeli verisini saðlamaktadýr. Bu çalýþmada, LiDAR Dijital Yüzey Modeli bilgisiyle Toplam Deðiþinti kýsýtý birleþtirilerek hiperspektral görüntülerin uzamsal çözünürlüðünü artýrmak için tensör faktörizasyonuna dayalý karýþým giderimi gerçekleþtirilmiþtir. Deneysel çalýþmalar simülasyon ve gerçek veri setleri üzerinde denenmiþ ve uzamsal çözünürlüðü artýrýlmýþ hiperspektral görüntüler elde edilmiþtir. Elde edilen sonuçlar, literatürdeki en yakýn çalýþma olan Toplam Deðiþinti kýsýtlý Negatif-olmayan Matris-Vektör Tensor Faktörüzasyonu yöntemi ile karþýlaþtýrýlmýþ ve önerilen yöntemin daha iyi performans sergilediði gözlemlenmiþtir.

Anahtar Kelimeler: Hiperspektral görüntü, kýzýlötesi (LiDAR), veri kaynaþtýrma, spektral karýþým giderimi, Toplam Deðiþinti, NTF, ADMM.

---