De récentes études ont montré l'avantage de l'approche géométrique en démélange de données hyperspectrales. Elle permet d'identifier les signatures spectrales des composants purs. Jusqu'ici, l'estimation des fractions d'abondance a toujours été réalisée dans un second temps, par résolution d'un problème inverse généralement. Dans cet article, nous montrons que les techniques géométriques d'extraction des composants purs de la littérature permettent d'estimer conjointement les fractions d'abondance, pour un coût calculatoire supplémentaire négligeable. Pour ce faire, un socle commun d'interprétations géométriques du problème est proposé, que l'on peut décliner pour mieux l'adapter à la technique d'extraction de composants purs retenue. Le caractère géométrique de l'approche lui confère une flexibilité très appréciable dans le cadre de techniques de démélange géométrique, illustrée ici avec N-Findr, SGA, VCA, OSP et ICE. Une extension non linéaire est proposée, en utilisant des techniques de réduction de dimensionnalité par apprentissage de variétés, illustrée avec les algorithmes MDS, LLE et ISOMAP. Une telle approche permet de maintenir inchangés les algorithmes géométriques d'identification des composants purs et d'estimation de la proportion de ces derniers dans le mélange. La pertinence de cette approche est illustrée par des expérimentations sur des données synthétisées et réelles.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.