ABSTRACT One of the limitations of the hyperspectral remote sensing application is the existence of mixed pixels in image data. Spectral decomposition, which separates the mixed pixels into a set of endmember spectra and abundance fractions, is the most effective way to solve the mixed pixel problem. Due to the independence of source signals, independent component analysis (ICA) has been developed for hyperspectral unmixing by adding auxiliary constraints. Abundance sum-to-one and nonnegative constraints are two obvious features for hyperspectral data. In this paper, by processing these two constraints sequentially from the geometrical point of view to restrain the sum-to-one constraint thoroughly at each iteration, geometrical constrained ICA (GCICA) is proposed based on treating the abundance distribution as the independent signal. To validate the proposed algorithm, the synthetic data, and real image data are used for unmixing, respectively. Synthetic data are generated based on spectra from the ENVI (Environment for Visualizing Images) software spectral library. The real images are used with three hyperspectral datasets, AVIRIS (Airborne Visible Infrared Imaging Spectrometer) Cuprite dataset, AVIRIS Indiana Pine dataset and HYDICE (Hyperspectral Digital Imagery Collection Experiment) dataset. Results, in comparison with previously proposed algorithms, show that the proposed method has better performance for the decomposition of hyperspectral data in abundance and endmember spectral extraction, thus providing a new and effective method for spectral unmixing and signal separation without prior information.

中文翻译：

---

用于高光谱解混的几何约束独立分量分析

摘要 高光谱遥感应用的局限性之一是图像数据中混合像素的存在。光谱分解将混合像素分解为一组端元光谱和丰度分数，是解决混合像素问题的最有效方法。由于源信号的独立性，已经通过添加辅助约束为高光谱解混开发了独立分量分析（ICA）。丰度和一和非负约束是高光谱数据的两个明显特征。在本文中，通过从几何角度对这两个约束进行顺序处理，以彻底约束每次迭代中的和一约束，在将丰度分布视为独立信号的基础上，提出了几何约束ICA（GCICA）。为了验证所提出的算法，合成数据和真实图像数据分别用于解混。合成数据是基于来自 ENVI（可视化图像环境）软件光谱库的光谱生成的。真实图像与三个高光谱数据集一起使用，AVIRIS（机载可见红外成像光谱仪）Cuprite 数据集、AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。和真实图像数据分别用于解混。合成数据是基于来自 ENVI（可视化图像环境）软件光谱库的光谱生成的。真实图像与三个高光谱数据集一起使用，AVIRIS（机载可见红外成像光谱仪）Cuprite 数据集、AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。和真实图像数据分别用于解混。合成数据是基于来自 ENVI（可视化图像环境）软件光谱库的光谱生成的。真实图像与三个高光谱数据集一起使用，AVIRIS（机载可见红外成像光谱仪）Cuprite 数据集、AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。合成数据是基于来自 ENVI（可视化图像环境）软件光谱库的光谱生成的。真实图像与三个高光谱数据集一起使用，AVIRIS（机载可见红外成像光谱仪）Cuprite 数据集、AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。合成数据是基于来自 ENVI（可视化图像环境）软件光谱库的光谱生成的。真实图像与三个高光谱数据集一起使用，AVIRIS（机载可见红外成像光谱仪）Cuprite 数据集、AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。AVIRIS Indiana Pine 数据集和 HYDICE（高光谱数字图像采集实验）数据集。结果与之前提出的算法相比，表明该方法在高光谱数据丰度分解和端元光谱提取方面具有更好的性能，从而为无先验信息的光谱解混和信号分离提供了一种新的有效方法。