Neural network architectures for information extraction from hyper-spectral images

Imaging spectroscopy, also known as hyper-spectral remote sensing, is an imaging technique capable of identifying materials and objects in the air, land and water on the basis of the unique reflectance patterns that result from the interaction of solar energy with the molecular structure of the material. Recent advances in aerospace sensor technology have led to the development of instruments capable of collecting hundreds of images, with each image corresponding to narrow contiguous wavelength intervals, for the same area on the surface of the Earth. As a result, each pixel (vector) in the scene has an associated spectral signature or “fingerprint" that uniquely characterizes the underlying objects. Hyper-spectral sensors mainly cover wavelengths from the visible range (0.4_m- 0.7_m) to the middle infrared range (2.4_m). If we consider the consistency of this data, we can easily understand the importance of finding a method which can transform the data cube into one with reduced dimensionality and maintain, at the same time, as much information content as possible. These techniques are known under the general name of feature reduction. Besides enabling an easier storage and management of the data, features reduction procedures can be crucial for the implementation of optimum inversion algorithms. This research work strives to give a contribution along the direction of extracting information from hyperspectral data. A major instrument is considered for this purpose, which is the use of neural networks algorithms, already recognized to represent a rather competitive family of algorithms for the analysis of hyperspectral data. Besides introducing a novel neural network approach for handling the dimensionality reduction of hyperspectral data, other specific issues will be considered, with a special focus on the unmixing problem, or sub-pixel classification. While the first three chapters are dedicated to the presentation of the problems, to the current state of art and to the, theoretically sound, proposed solutions, the remaining sections are dedicated to the description and the assessment of the results obtained in different applicative scenarios. Some final considerations conclude the work.

L’Imaging spectroscopy, meglio conosciuta come telerilevamento da dati iperspettrali, è una tecnica che permette di identificare materiali presenti nell’aria, suolo e acqua, sulla base della riflettanza risultante dall’interazione dell’energia solare con la struttura molecalare dell’elemento. I recenti passi avanti nello sviluppo della sensoristica aeropsaziale ha portato allo sviluppo di strumenti in grado di acquisire centinaia di immagini, rappresentanti intervalli di banda sempre più stretti e contigui, relativi alla stessa zona della superficie terrestre. Come conseguenza di questo, ogni vettore di pixel in un immagine ha associata una “firma spettrale”, che caratterizza univocamente il materiale osservato dal sensore. I sensori iperspettrali ricoprono principalmente lunghezze d’onda che vanno dalla banda del visibile (0.4μm – 0.7 μm) all’infrarosso intermedio (2.4μm). Se consideriamo la consistenza di questo tipo di dati, è facile capire l’ìimportanza di trovare un metodo che permetta di trasformare il dato iniziale composto da centinaia di bande in uno a dimensionalità ridotta ed allo stesso tempo mantenere la maggior quantità di informazione possibile. Queste tecniche sono note come “feature reduction”. Oltre che permettere una gestione migliore del data, le tecniche di feature reduction hanno un ruolo cruciale nell’implementazione di algoritmi di inversione. Questo lavoro cerca di dare un contributo alla ricerca nel campo dell’estrazione dell’informazione dai dati iperspettrali. A questo proposito vengono utilizzati algoritmi di rete neurali, già riconosciuti come una delle migliori famiglie di algoritmi per l’analisi di dati iperspettrali. Oltre alla presentazione di un nuovo approccio per la riduzione della dimensionalità del dato iperspettrale, vengono affrontati anche altri argomenti riguardanti I dati iperspettrali, con particolare attenzione al problema dell’ “unmixing”, meglio conosciuta come classificazione sub-pixel. In questa tesi i primi tre capitoli sono dedicati alla presentazione dei vari problemi, alla descrizione dell’attuale stato dell’arte e alle soluzioni proposte. I capitoli rimanenti vengono invece dedicati alla descrizione e alla valutazione dei risultati ottenuti con diversi scenari applicative. Infine alcune considerazioni concludono il lavoro.