Desing and implementation of new methods for spatial preprocessing prior to spectral unmixing of remotely sensed by hyperspectral data

Tesis doctoral con la Mención de "Doctor Internacional"La principal contribución del presente trabajo de tesis doctoral viene dada por la propuesta e implementación de nuevas técnicas de análisis hiperespectral capaces de incorporar la información espacial en aplicaciones de desmezclado y obtención comprimida de imágenes hiperespectrales de la superficie terrestre. Uno de los principales problemas que surge a la hora de caracterizar los elementos que aparecen en una escena hiperespectral se basa en el hecho de que la firma espectral resultante en dichos píxeles no es pura sino que viene dada por una mezcla de diferentes sustancias que cohabitan a nivel sub-píxel. La mayor parte de las técnicas de desmezclado se basan en la utilización de la información espectral de forma exclusiva. En este sentido, una de las principales contribuciones del presente trabajo de tesis doctoral es la integración de la información espacial y espectral con carácter previo al proceso de extracción de endmembers (a través de la propuesta de nuevos métodos de preprocesado espacial que permiten integrar la información espacial en las técnicas espectrales sin necesidad de modificarlas). Además en este trabajo de tesis ha sido propuesto un nuevo método para obtención comprimida de imágenes hiperespectrales, el cual aprovecha la correlación espacial de las imágenes hiperespectrales y el fenómeno de la mezcla para conseguir comprimir los datos en el proceso de adquisición.The main contribution of this thesis is de development and implementation of new techniques for hyperspectral analysis which are able to incorporate the spatial component of the data when performing spectral unmixing and remote compressive sensing of hyperspectral images. Spectral mixing is one of the main problems that arise when characterizing the spectral constituents residing at a sub-pixel level in a hyperspectral scene. It consists of the fact that many pixels in the scene are “mixed” in nature, i.e. they are formed by different spectral constituents at sub-pixel levels. In this regard, one of the main contributions of the present thesis is the integration of spatial and spectral information as a previous step to the traditional endmember identification conducted by many algorithms. We accomplish this through a set of innovative spatial preprocessing modules, intended to guide the endmember identification process by including spatial information but without the need to modify the already available, spectral-based endmember identification algorithms. Furthermore in this thesis work, we develop a new compressive sensing framework for hyperspectral imaging, which exploits the spatial correlation of hyperspectral images and the spectral mixing phenomenon in order to compress the hyperspectral data in the acquisition process