Abstract
Due to the fragmented compositional structure of urban scenes, many pixels are mixtures of multiple materials even in high spatial resolution airborne hyperspectral data. In the past ten years, sparse regression based spectral unmixing methods have achieved some noticeable results. Recently, Chen et al. proposed a jointly sparse spectral mixture analysis model for urban mapping. Their model has a high computational load, however, and wrongly detects a water component in residential areas due to the spectral confusion between water, shadow and other low-albedo land cover materials. In this paper, we propose to exclude water from the spectral mixture analysis in urban scenes. In order to decrease the computational load of Chen et al.’s approach, we propose a fast jointly sparse unmixing method. Our experiments demonstrate that the proposed method obtains a slightly degraded result but has a much lower computational load. It is fourteen times faster than their method, and only requires about one-ninth of the memory. A parallel implementation of the proposed method shows its potential to be applied in practical applications, especially in resource-constrained computational environments.
RÉSUMÉ
Étant donné la structure fragmentée des scènes urbaines, de nombreux pixels représentent des mélanges de multiples matériaux, même pour des données hyperspectrales aéroportées à haute résolution spatiale. Au cours des dix dernières années, des méthodes de séparation spectrale basée sur une régression clairsemée ont donné des résultats remarquables. Récemment, Chen et al. ont proposé un modèle d’analyze conjointe du mélange spectral clairsemé (peu dense) pour la cartographie en milieu urbain. Leur modèle demande un temps de calcul significatif et détecte, à tort, de l’eau dans les zones résidentielles, en raison de la confusion spectrale entre l’eau, l’ombre et d’autres matériaux à faible albédo en milieu urbain. Dans cet article, nous proposons d’exclure l’eau de l’analyze du mélange spectral pour les scènes urbaines. Afin de réduire le temps de calcul dans l’approche de Chen et al., nous proposons une méthode d’analyze rapide et conjointe du mélange spectral clairsemé. Nos tests expérimentaux montrent que la méthode proposée obtient des résultats légèrement dégradés, mais a un temps de calcul beaucoup plus faible. Elle est quatorze fois plus rapide que la méthode de Chen et al., et ne nécessite qu’environ un neuvième de la mémoire. Une mise en oeuvre parallèle de la méthode proposée montre son potentiel d’application pratique, notamment dans des environnements de calcul à ressources limitées.
Acknowledgements
The authors would like to thank the anonymous reviewers for their valuable and helpful comments. The authors would like to thank Professor Paolo Gamba at the Pavia University for providing the Pavia Center hyperspectral data. The authors would like to thank Professor Philippe De Maeyer for translating the title and abstract into French.
Disclosure statement
The authors declare no conflict of interest.