Fast Unmixing of Noisy Hyperspectral Images Based on Vertex Component Analysis and Singular Spectrum Analysis Algorithms

Abstract

Efficient denoising is of great significance to unmixing hyperspectral images. In the present study, a fast unmixing method for noisy hyperspectral images based on the combination of vertex component analysis and singular spectrum analysis is proposed. First, the noisy endmember spectra are extracted by using the vertex component analysis algorithm. Then the singular spectrum analysis is used to denoise the endmember spectrum. When compared with the hyperspectral data as a whole, the amounts of endmember spectral data are known to be small. If only denoising endmember spectral data were to be performed, then the denoising time will be greatly improved, and image information can be effectively preserved. The method has high precision and fast speed for unmixing the noisy hyperspectral image. The advantages of this method will be more apparent when dealing with large amounts of hyperspectral data. In this article, different noise images are experimented with using this method, and strong experimental results are obtained.

RÉSUMÉ

Une réduction efficace du bruit des images hyperspectrales est d’une grande importance lors de la séparation spectrale. Dans la présente étude, une méthode de séparation spectrale rapide d’images hyperspectrales bruitées basée sur la combinaison de l’analyse des composantes vertex et de l’analyse du spectre singulier est proposée. Tout d’abord, les spectres purs (endmembers) sont extraits en utilisant l’algorithme d’analyse des composantes vertex. Ensuite, l’analyse du spectre singulier est utilisée pour épurer les spectres finaux. Par rapport aux données hyperspectrales dans leur ensemble, les quantités de données des spectres purs (endmembers) sont connues pour être faibles. Si seulement la réduction du bruit des données spectrales finales doit être effectuée, alors le temps de traitement est grandement amélioré, et l’information contenue dans les images peut être préservée. La méthode est précise et rapide pour séparer les spectres purs. Les avantages de cette méthode seront plus évidents lorsque de grandes quantités de données hyperspectrales seront traitées. Dans cet article, différentes images spectrales sont analysées avec l’utilisation de cette méthode, et des résultats expérimentaux intéressants ont été obtenus.

Disclosure statement

The authors declare no conflicts of interest.

Additional information

Funding

This work is supported in part by the National Key R&D Program of China under the Grant [2017YFC1405600], in part by the National Science Foundation of China [41772350, 61371189, 41701513,41706208, 41576032, and 61701542], Key R&D Program of Shandong province under the Grant [2019GGX101033], and in part by the Fundamental Research Funds for the Central Universities [19CX05003A-8].