Original paper

A Decision Fusion Framework for Hyperspectral Subpixel Target Detection

Gholizadeh, Hamed; Zoej, Mohammad Javad Valadan; Mojaradi, Barat

Abstract

Target detection is one of the most challenging issues of remotely sensed data. Due to high spectral resolution of the hyperspectral images and their limited ground sampling distance, targets of interest occur at subpixel level. In such cases, spatial characteristics of targets are hard to acquire and the only way to overcome such problem is to take advantage of the spectral information. Based on the spectral characteristics of background and the targets to be detected, several methods have been proposed. Some of these methods assume a physics-based approach, while the other may be purely statistical. So, all of these methods are based on some assumptions each of which can be challenged in one way or another. One possible way to take advantage of these differences to improve the final results is the fusion of the detectors' outputs. In this paper, eight subpixel target detectors are employed as the ensemble detectors. It is also worth mentioning that the detectors should be different from each other; otherwise the overall decision will not be better than the individual detectors. So, we suggest using the genetic algorithms to select the most suitable detectors for a given decision fusion rule. Experimental results on a real world hyperspectral data as well as a synthetic dataset show the efficiency of the proposed method to improve the detection performance.

Kurzfassung

Im Fall von Hyperspektraldaten steht der hohen spektralen eine begrenzte räumliche Auflösung gegenüber. Daher sind viele Objekte kleiner als ein Pixel, so dass eine Aussageüber die geometrischen Eigenschaften nur eingeschränkt möglich ist. Daher kommt der spektralen Information eine erhöhte Bedeutung zu. In der Vergangenheit wurden viele Analysemethoden vorgeschlagen, die die Objekterkennung nach den spektralen Charakteristiken der gesuchten Objekte und ihrer Umgebung, dem Bildhintergrund, erlauben, Einige der Methoden verfolgen modellbasierte Ansätze während andere rein statistisch arbeiten. Alle Methoden erfordern spezifische Annahmen, die eine zusätzliche Unsicherheit für das Ergebnis bedeuten. Ein Ansatz zur Verbesserung des Gesamtergebnisses ist die Verschneidung (Fusion) der mit den unterschiedlichen Methoden (Detektoren) gefundenen Einzelergebnisse. In diesem Artikel werden acht typische Detektoren beispielhaft untersucht und gezeigt, wie mit Hilfe der Methode Genetischer Algorithmus die für eine gegebene Fragestellung geeignetste Kombination gefunden werden kann. Die Methode wird sowohl an echten als auch an synthetischen Hyperspektraldaten erprobt. Die Untersuchung zeigt, dass die vorgeschlagene Methode die Erkennbarkeit von Objekten verbessert.

Keywords

target detectiondecision fusionhyperspectral dataremote sensing