The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data

Kruse, Fred A.; Lefkoff, A. B.; Boardman, Joseph W.; Heidebrecht, Kathleen B.; Shapiro, A. T.; Barloon, P. J.; Goetz, Alexander

doi:10.1063/1.44433

Cited by 713 publications

(817 citation statements)

References 7 publications

Supporting

Mentioning

776

Contrasting

Unclassified

Order By: Relevance

“…The magnitude of the change vector (Euclidean distance of CVA or CVAED) and the spectral information divergence (SID) similarity measures are applied to detect the changed area [24,41]. Subspace-based change-detection (SCD) algorithms, that is, original SCD, adaptive SCD (ASCD), and local SCD (LSCD), are also employed [26].…”

Section: Change-detection Resultsmentioning

confidence: 99%

See 1 more Smart Citation

An Unsupervised Algorithm for Change Detection in Hyperspectral Remote Sensing Data Using Synthetically Fused Images and Derivative Spectral Profiles

et al. 2017

View full text Add to dashboard Cite

Multitemporal hyperspectral remote sensing data have the potential to detect altered areas on the earth's surface. However, dissimilar radiometric and geometric properties between the multitemporal data due to the acquisition time or position of the sensors should be resolved to enable hyperspectral imagery for detecting changes in natural and human-impacted areas. In addition, data noise in the hyperspectral imagery spectrum decreases the change-detection accuracy when general change-detection algorithms are applied to hyperspectral images. To address these problems, we present an unsupervised change-detection algorithm based on statistical analyses of spectral profiles; the profiles are generated from a synthetic image fusion method for multitemporal hyperspectral images. This method aims to minimize the noise between the spectra corresponding to the locations of identical positions by increasing the change-detection rate and decreasing the false-alarm rate without reducing the dimensionality of the original hyperspectral data. Using a quantitative comparison of an actual dataset acquired by airborne hyperspectral sensors, we demonstrate that the proposed method provides superb change-detection results relative to the state-of-the-art unsupervised change-detection algorithms.

show abstract

Section: Change-detection Resultsmentioning

confidence: 99%

“…In this study, two representative normalized spectral measures are used. First, the spectral angle distance (SAD) measure is used to calculate the spectral similarity between the spectra of two pixels in the original multitemporal hyperspectral images [41]. We assume that = ( 1 , 2 , .…”

Section: Spectral Similarity Measure For Detectingmentioning

confidence: 99%

An Unsupervised Algorithm for Change Detection in Hyperspectral Remote Sensing Data Using Synthetically Fused Images and Derivative Spectral Profiles

et al. 2017

View full text Add to dashboard Cite

show abstract

“…Os endmembers foram selecionados a partir da inspeção de espectros extremos de pixels extraídos pelo PPI e projetados como pontos num visualizador n-dimensional contendo os eixos das imagens MNFs de maior ordem. A rotação interativa dos eixos das imagens MNFs e a observação dos pixels mais puros no espaço n-dimensional, permitiu a seleção de endmembers para serem utilizados nas etapas de classificação hiperespectral propriamente dita, através dos algoritmos Spectral Angle Mapper (SAM) (Kruse et al 1993) e Mixture Tuned Matched Filtering (MTMF) (Boardman et al 1995, Boardman 1998.…”

Section: Processamento De Dados Do Sensor Asterunclassified

Caracterização de microexsudações de hidrocarbonetos na Bacia do Tucano Norte (BA) por geoestatística, classificação hiperespectral e redes neurais

Lammoglia

Filho

2007

RBG

View full text Add to dashboard Cite

“…Dois métodos de classificação supervisionada, o Spectral Angle Mapper (SAM) (Kruse et al 1993) e o Mixture Tuned Matched Filtering (MTMF) (Boardman et al 1995), originalmente concebidos para classificação espectral de imagens hiperespectrais de sensoriamento remoto, foram aplicados e testados com dados aerogeofísicos. O objetivo foi mapear as assinaturas magnéticas e gamaespectrométricas dos litotipos e estruturas aos quais se associam as ocorrências e as minas de ouro da área de estudo.…”

Section: Classificação Supervisionada De Dados Aerogeofísicos Com Basunclassified

Assinatura geofísica e modelos prospectivos ‘knowledge-driven’ de mineralizações de Au no lineamento Congonhas, sul do Cráton São Francisco, MG

Miethke¹,

Filho²,

Silva³

2007

RBG

View full text Add to dashboard Cite

Resumo Este trabalho aborda a caracterização da assinatura geofísica de ocorrências auríferas associadas ao Lineamento Congonhas -uma zona de cisalhamento de escala regional, localizada na região sul do Quadrilátero Ferrífero (MG) -visando a geração de modelos prospectivos para mineralizações de ouro do tipo lode através da fusão e análise espacial de dados digitais. Para este estudo, dados aerogeofísicos, multiespectrais (orbitais), mapas geológicos e de ocorrências minerais foram investigados individualmente e de forma integrada. O processamento digital de dados conduzido incluiu realce por técnicas convencionais (composições coloridas, classificação não-supervisionada e análise por principais componentes), análises espaciais guiadas pelo conhecimento (knowledge-driven -lógicas booleana e fuzzy), bem como aplicação de técnicas originalmente desenvolvidas para classificação de dados de sensoriamento remoto hiperespectral (Spectral Angle Mapper e Mixture Tuned Matched Filtering), aqui adaptadas para uso com dados aerogeofísicos. Os resultados derivados do processamento, integração e interpretação dos dados revelaram que os métodos de análise espacial e classificação utilizados foram efetivos na seleção de alvos potencialmente mineralizados em ouro -sítios com ocorrências conhecidas desse metal, associadas à presença de unidades litológicas afetadas pelo hidrotermalismo decorrente da instalação do Lineamento Congonhas, foram mapeados com sucesso, assim como outras áreas onde tais ocorrências ainda não foram verificadas.Palavras-chave: sensoriamento remoto, aerogeofísica, mineralizações de ouro, Quadrilátero Ferrífero Abstract Geophysical signature and knowledge-driven prospective models for Au mineralizations in the Congonhas lineament, south São Francisco Craton, MG. This research focused on identifyingand describing geologic-geophysical signatures of gold occurrences associated with a regional scale shear zone (Congonhas Shear Zone), south of the Iron Quadrangle in the State of Minas Gerais, Brazil. The work aimed at combining and analyzing digital spatial data and developing predictive models for lode-type gold mineralization. Aerogeophysical and multispectral orbital data, in addition to geological and gold occurrence maps, were employed both separately and in an integrated approach. The digital processing steps involved several enhancement techniques -conventional (pseudocolor compositions, unsupervised classification and principal component analysis), knowledge-driven (boolean and fuzzy logic), as well as techniques originally developed for the classification of hyperspectral remote sensing data (Spectral Angle Mapper and Mixture Tuned Matched Filtering), which were here adapted to aerogeophysical data processing. The results yielded by the processing, integration and interpretation steps proved the spatial analysis and classification methods to be effective in the selection of targets potentially mineralized in gold. Sites with known occurrences of this metal, associated to lithological units affected by h...

show abstract

The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data

Cited by 713 publications

References 7 publications

An Unsupervised Algorithm for Change Detection in Hyperspectral Remote Sensing Data Using Synthetically Fused Images and Derivative Spectral Profiles

An Unsupervised Algorithm for Change Detection in Hyperspectral Remote Sensing Data Using Synthetically Fused Images and Derivative Spectral Profiles

Caracterização de microexsudações de hidrocarbonetos na Bacia do Tucano Norte (BA) por geoestatística, classificação hiperespectral e redes neurais

Assinatura geofísica e modelos prospectivos ‘knowledge-driven’ de mineralizações de Au no lineamento Congonhas, sul do Cráton São Francisco, MG

Contact Info

Product

Resources

About