Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Sparseness Inducing Initialization for Nonnegative Matrix Factorization in Hyperspectral Data

 
: Gross, Wolfgang; Middelmann, Wolfgang

:
Volltext urn:nbn:de:0011-n-2172563 (558 KByte PDF)
MD5 Fingerprint: 42755973cee373708d61cd6edf5a0241
Erstellt am: 5.12.2012


Seyfert, Eckhardt ; Deutsche Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation -DGPF-:
Erdblicke - Perspektiven für die Geowissenschaften. 32. Wissenschaftlich-Technische Jahrestagung der DGPF 2012. Vorträge : 14. - 17. März 2012 , Potsdam
Berlin: DGPF, 2012 (Publikationen der Deutschen Gesellschaft für Photogrammetrie und Fernerkundung 21)
ISSN: 0942-2870
8 S.
Deutsche Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation (Wissenschaftlich-Technische Jahrestagung) <32, 2012, Potsdam>
Englisch
Konferenzbeitrag, Elektronische Publikation
Fraunhofer IOSB ()

Abstract
Spektrales Unmixing, also die Zerlegung des gemessenen Spektrums in seine Grundbestandteile, hat aufgrund der geringen räumlichen Auflösung hyperspektraler (HS) Sensoren in den letzten Jahren stark an Bedeutung gewonnen. Die Nichtnegative Matrix-Faktorisierung (NMF) wird zum Unmixing von HS-Datensätze verwendet, wodurch eine Datenreduktion und somit eine einfachere Interpretierbarkeit erreicht wird. Die hier vorgestellte Sparseness Inducing Initialization (SII) schränkt das nichtlineare Optimierungs-problem, das dem Unmixing zugrunde liegt, auf dünn besetzte Lösungen ein und ermöglicht eine vereinfachte Auswertung. Das Verfahren sucht mittels wiederholter Orthogonal-projektionen die Spektren, die einen möglichst großen Kegel im Merkmalsraum der HS-Kanäle aufspannen. Die Ergebnisse bekannter Initialisierungsmethoden werden im Hinblick auf Approximationsfehler, Sparseness und Realitätstreue, anhand simulierter Hyperspektral-daten, mit der neuen Methode verglichen. Es wird gezeigt, dass die SII für rauschfreie Daten die Endmember, also reine Materialien, die nicht durch Mischungen beschrieben werden können, mit Sicherheit findet. Für den Fall verrauschter Daten liegen die von der SII gefundenen Endmemberkandidaten immer noch in der Nähe der tatsächlichen Endmember. Somit wird durch die nachfolgende NMF ein physikalisch plausibles, dünn besetztes Unmixing berechnet.

: http://publica.fraunhofer.de/dokumente/N-217256.html