Применение и анализ гиперспектральных изображений

1Ajay Sharma Dept of Biotechnology &Bioinformatics Jaypee University Of Information Technology (JUIT) Solan, India ajaysharmadharmani@gmail.com
2Deep Kaur Dept of Computer Science Shoolini Unviersity Solan Shoolini Unveirsity of Life Science and Business Managment Solan, India akaurdp@gmail.com
3Ankit Gupta Dept of Computer Science Shoolini Unviersity Solan Shoolini Unveirsity of Life Science and Business Managment Solan, India gupta.ankit894@gmail.com
4Varun Jaiswal Division of Biotechnology Assist Director National Centre for Disease Control (NCDC) Delhi, India computationalvarun@gmail.com

Аннотация.

Гиперспектральная съемка — это перспективный подход к дистанционному зондированию, который находит применение во многих специализированных областях, включая сельское хозяйство, картография, обнаружение целей и контроль качества продуктов питания и т. д. Этот подход позволяет дистанционно определять состав каждого пикселя изображения. В данной статье рассматривается получение гиперспектральных изображений с помощью спектрометра, его применение в различных областях и методы анализа данных. Методы анализа данных для обнаружения материалов со спектральными сигнатурами можно разделить на три основных типа: методы полного пиксельного анализа, субпиксельного анализа и согласованной фильтрации. В данном обзоре дается краткое описание этих методов с примерами каждого из трех типов методов.

I. ВВЕДЕНИЕ

Гиперспектральное дистанционное зондирование объединяет идею получения изображений на больших расстояниях со спектроскопией в единый аппарат, который регулярно охватывает достаточное количество единиц данных и требует новых методов распределения. Он предназначен для распознавания изображений с использованием широкого диапазона спектра от ультрафиолетового до инфракрасного. Гиперспектральное изображение (HSI) представляет собой непрерывный спектр полос с очень малыми длинами волн в диапазоне от 0,35 до 12,5 мкм. Оно содержит примерно от 100 до 300 спектральных полос с весьма узкими полосами пропускания (5–10 нм). Гиперспектральные изображения, как правило, представляют собой информационный кубик, который включает пространственные данные в плоскости X-Y и спектральные данные в направлении Z, соответственно, рис. 1.

Наиболее значительным достижением в области дистанционного зондирования является усовершенствование систем и пакетов гиперспектральной визуализации для изучения полученной фотоинформации. Слово “гипер” в переводе с гиперспектрального означает “дополнительный” и относится к диапазонам с довольно большим разнообразием длин волн. Гиперспектральные снимки обладают высокой спектральной четкостью, что означает, что они предоставляют достаточно информации для выделения различных веществ с четкими спектральными характеристиками.  Гиперспектральные сканеры измеряют отраженное излучение в нескольких узких и непрерывных полосах переменного спектра.  длина волны. Большинство гиперспектральных датчиков находятся в воздухе , в то время как лишь немногие из них являются сенсорами спутникового телевидения для ПК. HSI предоставляет уникальные и специфические данные, которые невозможно получить с помощью любого другого метода сбора данных из удаленного региона [1].

«Гипер» в гиперспектральном подходе означает «слишком много» и обозначает огромный диапазон измеряемых длин волн. Гиперспектральные изображения спектрально переопределены, поэтому они предоставляют адекватную спектральную информацию для обнаружения и различения спектрально специфичных материалов. Гиперспектральные изображения предоставляют возможность более точной и специфичной абстракции статистических данных, чем любая другая форма данных дистанционного зондирования [1, 2].

Значимость структур гиперспектральных изображений значительно возросла в последние годы. Значительное увеличение потенциала гиперспектральных вычислительных систем, в сочетании с уменьшением их размеров и веса, способствовало их использованию в различных областях, включая: сельское хозяйство, бизнес,  наблюдение [3]. Более того, усовершенствование новых вычислительных технологий и процессоров, некоторые из которых позволяют реализовать параллельные аппаратные и программные реализации, и, следовательно, обладают большей способностью обрабатывать большие объемы генерируемой информации, способствовало бурному развитию ассортимента гиперспектральных камер [4, 5].

Чтобы оценить преимущества гиперспектральных изображений, полученных с помощью различных электронных устройств, таких как камеры и спутники, это может помочь в первоначальной оценке некоторых фундаментальных принципов спектрального дистанционного зондирования. Каждый фотон света имеет длину волны, определяемую его уровнем энергии. Свет и другие виды электромагнитного излучения обычно описываются в виде длин волн [6]. Например, видимый свет имеет длины волн от 0,4 до 0,7 мкм, в то время как радиоволны в HIS имеют электронные длины волн более 30 см [1].

Спектрометр изображений — это инструмент, используемый для получения гиперспектральных изображений, который использует две замечательные технологии: спектроскопию и дистанционное зондирование Земли. Спектроскопия занимается изучением отклонений в силе света и его длине волны, излучаемой или отраженной различными веществами. В контексте дистанционного зондирования спектроскопия используется для наблюдения спектра рассеянного или излучаемого света от земной поверхности. Спектрометр оснащен диспергирующим элементом (призмой или дифракционной решеткой), который разделяет свет на тонкие полосы различных длин волн. Мощность каждой полосы измеряется отдельным детектором. Дистанционные сенсоры регистрируют интенсивность светового потока, отражённого исследуемым участком земной поверхности, согласно источникам [7, 8], см. рисунок 2.

Лучший из нескольких гиперспектральных диапазонов (например, полосы поглощения водяного пара) может значительно ослабнуть из-за низкой интенсивности в узком диапазоне длин волн изображения, полученном с помощью космического гиперспектрального датчика. Эти неизбежные шумы на изображении приведут к неправильной классификации типов рельефа местности и предрасположенностей к потенциалу биофизических параметров, извлекаемых из гиперспектральных данных. Таким образом, для восстановления зашумленных диапазонов статистики HSI применяется метод преобразования главного фактора с поправкой на шум (NAPCT) [9].

II. ВНЕДРЕНИЕ ГИПЕРСПЕКТИВНЫХ ИЗОБРАЖЕНИЙ В РАЗЛИЧНЫХ ОБЛАСТЯХ

Первоначально разработанная для технологий дистанционного зондирования в различных областях, гиперспектральная съемка (HSI) в последнее время находит все большее применение в различных облостях.

Гиперспектральная съемка может применяться в различных областях для обнаружения веществ с уникальными спектрами отражения. Она может использоваться для картирования месторождений полезных ископаемых в выбранном регионе Земли [10], определения влажности, содержания органических веществ в почве, идентификации видов растений [11], распознавания вооруженных целей, обнаружения разливов нефти.

Разливы нефти являются одним из наиболее опасных видов загрязнения морской среды. Гиперспектральная съемка может использоваться для обнаружения нефтяных разливов помощью водных приборов.. Данное исследование включает сбор широкополосных изображений длинноволнового инфракрасного спектра Эти изображения были сглажены с использованием набора правил фильтрации по принципу "Не по соседству " (NLM), после чего последовало извлечение спектральных характеристик с применением оптимальных полос. Наконец, данные были классифицированы с использованием модели, различающей нефть и водную среду [11].

Методы гиперспектральной визуализации используются в широком спектре программ. Хотя изначально они были разработаны для руд, добычи полезных ископаемых и геологической разведки, эти структуры используются в таких областях, как сельское хозяйство (2), минералогия (3), наблюдение и идентификация целей (4), астрономия (5), химическая визуализация (6) и исследования окружающей среды (7). В настоящее время новые возможности использования гиперспектральных изображений в области биомедицины были разработаны и оценены в огромных масштабах. В частности, их использование в качестве неинвазивного метода анализа и оценки терапевтических методов. Это связано с тем, что, измеряя отражение и поглощение света на определенных электронных длинах волн, HSI может одновременно предоставлять данные о феноменальных тканевых материалах и их пространственном распределении по спектральной сигнатуре каждого пикселя на гиперспектральных изображений. Этот потенциал метода HSI в настоящее время используется в биомедицинской области для неинвазивного обнаружения клеток раковых опухолей, язв стопы при диабете, заболеваний периферических сосудов, а также для оценки степени оксигенации крови в тканях во время хирургических операций в больнице. [11].

III. ПРИМЕНЕНИЕ В МЕДИЦИНЕ

Гиперспектральная визуализация (HSI) может быть очень перспективной для будущих клинических программ. HSI — один из новых подходов, предложенных некоторыми исследователями в качестве потенциального интраоперационного метода визуализации для идентификации длительно существующих опухолей [12, 13], визуализации желчных протоков и оценки оксигенации тканей [14, 15]. HSI также использовалась для выявления таких заболеваний, как кариес зубов и изменения слизистой оболочки гортани человека.

Гиперспектральная визуализация – это развивающийся медицинский метод, позволяющий одновременно получать пространственные и спектральные данные о ткани или органе. Гиперспектральная визуализация обладает первоклассным потенциалом для расширения областей клинической диагностики и медицинских исследований. В диагностике заживления внутренних ран HSI является передовой технологией [16]. Хотя метод HSI появился в научной дисциплине сравнительно недавно, он дал многообещающие результаты в диагностике злокачественных новообразований, язв диабетической стопы, краевых сосудистых заболеваний, заболеваний и для оценки уровня оксигенации крови в тканях во время хирургического вмешательства [13]. Различные стратегии обработки данных были разработаны в работах, связанных с калибровкой статистики, коррекцией, сжатием данных, снижением спектральной размерности и статистическим анализом. Весьма разумно предположить, что будущие исследования смогут найти первоклассный аналитический метод. Однако они смогли обнаружить, что каждое программное обеспечение HSI в выгодной клинической дисциплине имеет свою собственную максимально надёжную методологию интерпретации [14]. Для дальнейшего изучения влияние углеводородов на леса будут использованы спутниковые гиперспектральные изображения [17].

IV. ГИПЕРСПЕКТРАЛЬНАЯ ВИЗУАЛИЗАЦИЯ В ВОЕННОЙ ОБЛАСТИ

Использование многоканальной тепловой инфракрасной системы детекции для идентификации военных целей создает особенно жесткие требования к радарам и датчикам. Различные военные подразделения нуждаются в круглосуточном наблюдении, мониторинге и целеуказании [18, 19].

Радары способны обеспечить широкий охват территории и полезны для выявления объектов. Тем не менее, при заданной вероятности обнаружения они обладают чрезмерно высоким уровнем ложных тревог. Поэтому оптические сенсоры должны рассматриваться как дополнение для достижения высоких возможностей по распознаванию целей с низкими показателями ложных срабатываний [20].

V. ПРИМЕНЕНИЕ В ДИСТАНЦИОННОМ ЗОНДИРОВАНИИ

Первоначально разработанная для программ дистанционного зондирования, гиперспектральная визуализация (HSI) в настоящее время находит все более широкое применение при исследовании состояния окружающей среды, безопасности пищевых продуктов и их питании. Особенно эффективно её использование для широкого тестирования внутреннего и внешнего состояния разнообразной продукции пищевой промышленности и сельского хозяйства [24].

Гиперспектральная визуализация, также известная в литературе как спектроскопическое картирование, спектроскопия изображений или химическая визуализация промышленных образцов, представляет собой метод, объединяющий преимущества традиционной цифровой визуализации и компьютеризированного анализа [25].

Гиперспектральная и мультиспектральная визуализация относятся к четырем классам спектрального анализа наряду с панхроматическим и ультра-спектральным изображениями, которые получили значительное развитие в последние годы в исследованиях пищевых продуктов. Спектральное разрешение является ключевым фактором, отличающим гиперспектральные изображения от мультиспектральных [26].

Сортировка орехов с помощью роботизированной гиперспектральной визуализации позволяет выявлять состояние внутренней оболочки (зелёную/коричневую).

VI. ДРУГИЕ ОБЛАСТИ

1. Для обнаружения опасных отходов, систем мониторинга, например, в шахтах для обнаружения минералов, которые производят кислоты и другие загрязняющие вещества. Тяжёлые металлы, такие как свинец, мышьяк, кадмий, никель, кобальт и т. д. [28].

2. С помощью этого метода можно исследовать растительность, которая убывает, и выводить минеральный состав почвы [28]. В растениях для определения количества воды, присутствующей в листьях, целлюлозного пигмента, лигнина, хлорофилла и обнаружения инвазивных семян можно использовать гиперспектральное изображение. В сельском хозяйстве для оценки урожайности пшеницы и концентрации удобрений [29, 30].

3. Наша Земля примерно на 71% состоит из воды, поэтому в ближайшем будущем с помощью этой технологии [16] можно будет обнаружить подводные объекты, такие как фитопланктон, растворенные органические вещества в море, взвешенные отложения, такие как ил, шлам и т. д., в морской воде.

4. В геологии, например, для прогнозирования [31] или мониторинга снежного покрова, лавинного эффекта в районах снежных пустынь, таких как Гималаи, с помощью гиперспектральных изображений, полученных со спутника или дистанционного зондирования [32].

5. Классификация роста населения в городских районах для отслеживания данных о росте населения по гиперспектральным спутниковым снимкам. Это может улучшить и обеспечить городское планирование во время ликвидации последствий стихийных бедствий [33].

VII. АНАЛИЗ ДАННЫХ ГИС

Это критически важный этап в описании того, как спектральные вариации представлены концептуально и математически. Для извлечения и обработки необходимой информации, связанной с этим, существует три способа количественной визуализации мультиспектральных данных [12]. Анализ данных для гиперспектральных изображений в целом подразделяется на три типа:
согласованная фильтрация, субпиксельные методы и метод целых пикселей [1, 34].
3.1 Согласованная фильтрация «фильтрует» входное изображение для достижения наилучшего соответствия выбранному целевому спектру, максимизируя отклик целевого спектра в статистике и подавляя отклик всего остального (что рассматривается как неизвестная составная история для целевого). Как и в случае полного разделения, значение пикселя на выходном изображении относится к той части пикселя, которая содержит целевой материал. Любой пиксель со значением, равным нулю или меньше, может быть расценен как наследие (т.е. ни один из целевых объектов не является наследием) [34]. Одна из потенциальных проблем с согласованной фильтрацией заключается в возможности получения ложных высококачественных эффектов. Одним из решений этой проблемы, доступным в ENVI, является вычисление дополнительной степени, называемой «непригодностью». Недопустимость складывается из данных о шуме и фотографии и показывает, насколько результат согласованной фильтрации является возможным сочетанием объективного и исторического прошлого. Пиксели с высокой недопустимостью, вероятно, являются ложноположительными, не учитывая их согласованную скорость очистки. Помимо фундаментальных идей гиперспектрального изображения, мы понимаем фундаментальные принципы спектрального дистанционного зондирования. Вспомним стандарты фотонов, в которых фотоны света имеют определенную длину волны, близкую к его энергетическим уровням. Свет, включая другие виды электромагнитного излучения, является более точным, чем просто значение их длины волны. Перейдем к примеру: видимая длина волны равна 0. 4-0,7 мкм, и это также называется светом. Кроме того, радиоволны с длиной волны более 30 см. Рентгеновское излучение имеет длину волны 1 нм. Метод согласованной фильтрации обозначается следующим образом:

X=αs+n
Где x= [x1,x2,x3………xj]T – спектральный угол наблюдения в спектральной полосе J, s=[s1,s2,s3……sj] T,α – константа затухания, а n – фоновый шум в данном гиперспектральном изображении.

3.2 Метод целого пикселяМы знаем о принципах мульти- и гиперспектральной визуализации, поэтому этот метод сосредоточится на записи отдельных пикселей и эталонных спектрах. Каждый пиксель в мульти- или гиперспектральном изображении оценивается на основании спектрального сходства между пикселем и эталоном. Масштабируемое устройство пиксельного масштаба включает стандартные контролируемые классификации максимального и минимального расстояния Устройство пиксельной шкалы состоит из стандартного контролируемого класса с возможностью определения максимального и минимального расстояния. Оборудование успешно адаптировано, поскольку гиперспектральная символика выполняет функцию отображения спектрального положения в дополнение к подбору спектральной функции. Информация о отображении спектральной перспективы, т.е. SAM. Полученное значение отношения среди пиксельных спектров и целевых спектров [35].

3.2.1 Картограф спектральных углов: Картограф спектральных углов определяет спектральный угол между каждым пикселем и целевым спектром. Чем меньше космический спектральный угол, тем больше пиксель и целевой спектр в системе гиперспектрального изображения (HSI).

3.3 Субпиксельные методы

Изучаются возможности выявления элементов ландшафта внутри единичного пикселя изображения с помощью суб-пиксельной методики. Данная технология позволяет обнаруживать объекты, чей размер существенно меньше размера пикселя. Важным преимуществом метода является спектральное выделение объектов относительно фона. Анализ суб-пиксельных особенностей способен зафиксировать даже мелкие объекты размером порядка 1-3% от площади пикселя. Такой подход основан на полной линейной спектральной разборке и применении согласованной фильтрации [36, 37].

3.3.1 Полное линейное спектральное разделение: Линейное спектральное разделение количества материала, выделенного на многоспектральном изображении, зависит от спектральных характеристик гиперспектрального изображения. Линейное спектральное разделение использует гипотезу о том, что спектр отражения любого пикселя является результатом прямой области спектров всех конечных элементов внутри этого пикселя [1].

ЗАКЛЮЧЕНИЕ

Раньше системы гиперспектральной визуализации были заметно дорогими, поэтому их применение ограничивалось лишь несколькими промышленными направлениями.. Сегодня же прогресс компактных и экономически эффективных решений подтвердил значимость технологии в широком круге дисциплин, включая пищевую безопасность, выявление животного белка в комбинированных кормах и многое другое. Современные структуры HSI обеспечивают значительную вычислительную мощность, позволяющую обрабатывать большие объемы данных за короткий промежуток времени.

Для измерений HSI используются разные платформы, выбор которых зависит от конкретного поля применения. Среди них выделяются такие подходы, как сканирующая линия ("Push-broom") и жидкокристаллический настраиваемый фильтр (LCTF). Сканирующие линии характеризуются переменной скоростью переключения, высокой пропускной способностью и спектральным разрешением, тогда как LCTF обеспечивает случайный доступ к захвату изображений с прежним спектральным разрешением.

Благодаря появлению экономичных технологий производства, гиперспектральная визуализация нашла широкое применение в различных областях. Система HSI, использующая платформу типа "Push-broom" вместе с соответствующими алгоритмами обработки изображений, может применяться в режиме реального времени в пищевой промышленности.

Перспективы будущего использования HSI включают внедрение технологии в качестве инструмента реального времени, высокопроизводительной HSI для микроскопии микрообразцов или микросъемочной технологии для выявления микроорганизмов на клеточном уровне. Ожидается стремительное увеличение значимости HSI благодаря доступности и совершенствованию вычислительных ресурсов. Новые развивающиеся алгоритмы из области интеллектуального анализа данных, искусственного интеллекта и машинного обучения предоставляют дополнительные возможности эффективного использования HSI в новых и возникающих направлениях.

ССЫЛКИ

1.    Shippert, P., Introduction to hyperspectral image analysis. Online Journal of Space Communication. 3: p. 13, (2003).
2.    Bannari, A., et al. Wheat crop chlorophyll content estimation from ground-based reflectance using chlorophyll indices. in 2006 IEEE International Symposium on Geoscience and Remote Sensing. IEEE, (2006).
3.    Freitas, S., et al., Hyperspectral imaging for real-time unmanned aerial vehicle maritime target detection. Journal of Intelligent & Robotic Systems, 90(3-4): p. 551-570, (2018).
4.    Arce, G.R., et al., Compressive coded aperture spectral imaging: An introduction. IEEE Signal Processing Magazine. 31(1): p. 105-115, (2014).
5.    Campbell, J.B. and R.H. Wynne, Introduction to remote sensing, Guilford Press, (2011).
6.    Govender, M., K. Chetty, and H. Bulcock, A review of hyperspectral remote sensing and its application in vegetation and water resource studies. Water SA, 33(2), (2007).
7.    Knyazikhin, Y., et al., Hyperspectral remote sensing of foliar nitrogen content. Proceedings of the National Academy of Sciences. 110(3): p. E185-E192, (2013).
8.    Smith, R.B., Introduction to hyperspectral imaging with TMIPS. Micrimages Tutorial Web site. 14, (2006).
9.    Chen, B., et al., Wetland mapping by fusing fine spatial and hyperspectral resolution images. Ecological Modelling, 353: p. 95-106, (2017).
10. Clark, R.N., G.A. Swayze, and A. Gallagher, Mapping the mineralogy and lithology of Canyonlands, Utah with imaging spectrometer data and the multiple spectral feature mapping algorithms. (1992).
11.         Clark, R.N. and G.A. Swayze, Mapping minerals, amorphous materials, environmental materials, vegetation, water, ice and snow, and other materials: the USGS Tricorder algorithm. (1995).
12. Akbari, H., et al., Hyperspectral imaging and quantitative analysis for prostate cancer detection, Journal of Biomedical Optics. 17(7): p. 076005, (2012).
13. Carrasco, O., et al., Hyperspectral imaging applied to medical diagnoses and food safety. in Geo-Spatial and Temporal Image and Data Exploitation III. International Society for Optics and Photonics, (2003).
14. Calin, M.A., et al., Hyperspectral imaging in the medical field: present and future. Applied Spectroscopy Reviews. 49(6): p. 435-447, (2014).
15. Lu, G. and B. Fei, Medical hyperspectral imaging: a review. Journal of Biomedical Optics. 19(1): p. 010901, (2014).
16. Kannin, M., et al., High-Resolution UAV-Based Hyperspectral Imagery for LAI and Chlorophyll Estimation from Wheat for Yield Prediction. Remote Sensing. 10(12): p. (2018).
17. Arelliano, P., et al., Detecting the effects of hydrocarbon pollution in the Amazon forest using hyperspectral satellite images. Environmental Pollution. 205: p. 225-239, (2015).
18. Xu, H. and X.-j. Wang, Applications of multispectral/hyperspectral imaging technologies in the military. Infrared and Laser Engineering. 36(1): p. 13, (2007).
19.         Briottet, X., et al. Military application of hyperspectral imagery. in Targets and Backgrounds XII: Characterization and Representation. International Society for Optics and Photonics. 2014.
20. Eisermann, M.T., et al. Comparison of infrared imaging hyperspectral sensors for military target detection applications. in Imaging Spectrometry II. International Society for Optics and Photonics. 1996.
21. Van der Meer, F.D., et al. Multi- and hyperspectral geologic remote sensing: a review. International Journal of Applied Earth Observation and Geoinformation. 14(1): p. 112-128, (2012).
22. Cloutis, E.A., Review article hyperspectral geological remote sensing: evaluation of analytical techniques. International Journal of Remote Sensing. 17(12): p. 2215-2242, (1996).
23. Landgrebe, D., Hyperspectral image data analysis. IEEE Signal Processing Magazine. 19(1): p. 17-28, (2002).
24. Sun, D.-W., Hyperspectral imaging for food quality analysis and control. Academic Press, (2010): Elsevier.
25. Xiong, Z., et al. Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation: a review. Critical reviews in food science and nutrition. 55(9): p. 1287-1301, (2015).
26. Dai, Q., et al. Advances in hyperspectral image processing in food industry applications: A review. Critical reviews in food science and nutrition. 55(10): p. 1368-1382, (2015).
27. Cheng, J.-H., and D.-W. Sun, Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafood: current research and potential applications. Trends in Food Science & Technology. 37(2): p. 78-91, (2014).
28. Sloeneker, T., et al. Visible and infrared remote imaging of hazardous waste: a review. Remote Sensing. 2(11): p. 2474-2508, (2010).
29.         Nidamanuri, R.R. and B. Zbell, Use of field reflectance data for crop mapping using the airborne hyperspectral image. ISPRS Journal of Photogrammetry and Remote Sensing. 66(5): p. 683-691, (2011).
30. Huai, W., et al., Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging. Precision Agriculture. 8(4-5): p. 187-197, (2011).
31. Shahabi, H. and B. Ahmad, Application of MODIS image satellite and GIS technique in the assessment of avalanche fall in roads. Proc. World Acad. Sci., Eng. Technol. 57(10): p. 713-717, (2011).
32. Negi, H., C. Shekhar, and S. Singh, Snow and glacier investigations using hyperspectral data in the Himalaya. Current Science. p. 892-902, (2015).
33. Anand, R., S. Veni, and J. Arvinth, Big data challenges in the airborne hyperspectral image for urban land use classification. In 2017 International Conference on Advances in Computing, Communications, and Informatics (ICACCI), IEEE, (2017).
34. Gupta, A. and A. Oberoi, A Comparative Analysis of Tensor Decomposition Models Using Hyper Spectral Image. arXiv preprint arXiv:1503.06561. (2015).
35. Nasrabadi, N.M., Regularized spectral matched filter for target recognition in hyperspectral imagery. IEEE Signal Processing Letters. 15: p. 317-320, (2008).
36. Chen, Y., N.M. Nasrabadi, and T.D. Tran, Hyperspectral image classification via kernel sparse representation. IEEE Transactions on Geoscience and Remote sensing. 51(1): p. 217-231, (2013).
37. Manolakis, D., C. Sirasusa, and G. Shaw, Hyperspectral subpixel target detection using the linear mixing model. IEEE Transactions on Geoscience and Remote sensing. 39(7): p. 1322-1409, (2001).