基于字典的鲁棒 PCA 推广第二部分：在高光谱解混中的应用

我们考虑基于目标光谱签名在超光谱（HS）图像中定位感兴趣目标的问题，将其建模为两个不同的凸解混任务。从遥感到监视的广泛应用表明，该目标检测任务利用了每种材料/物体因其组成而具备自身特征光谱响应这一事实。然而，由于不同材料的$\textit{签名}$常相关，基于匹配滤波的方法在此可能不适用。为此，我们将 HS 图像建模为低秩分量与字典稀疏分量之和，其中字典由我们希望定位的目标的$\textit{先验}$已知特征光谱响应组成，并针对由不同模型假设产生的两种不同稀疏结构开发技术。我们还利用 companion paper 中近期理论结果给出了相应的恢复保证。最后，我们在真实 HS 数据集上通过分类任务的实验评估分析了所提方法的性能，并与相关技术进行比较。