高光谱解混中端元变异性的高斯混合模型表示
计算机视觉与模式识别
2018-03-14 v2
摘要
考虑端元变异性的高光谱解交通常通过正态合成模型（NCM）来执行，其中假设每个像素的端元采样自单峰高斯分布。然而，在实际应用中，材料的分布通常不是高斯分布。在本文中，我们使用高斯混合模型（GMM）来表示端元变异性。我们证明，在 GMM 的起始前提下，混合像素的分布（在线性混合模型下）也是一个 GMM（并从两个视角进行了展示）。第一个视角源于随机变量变换，给出了在给定丰度和 GMM 参数下像素的条件密度函数。在丰度上施加适当平滑性和稀疏性先验约束后，该条件密度函数可转化为一个标准的最大后验（MAP）问题，并可用广义期望最大化求解。第二个视角源于对 GMM 中端元进行边际化处理，这为我们求解每个像素处的端元提供了基础。因此，我们的模型不仅能估计丰度和分布参数，还能估计每个像素的特定端元集。我们在多个合成和真实数据集上测试了所提出的 GMM，并通过与当前流行方法的比较展示了其潜力。
引用
@article{arxiv.1710.00075,
title = {A Gaussian mixture model representation of endmember variability in hyperspectral unmixing},
author = {Yuan Zhou and Anand Rangarajan and Paul D. Gader},
journal= {arXiv preprint arXiv:1710.00075},
year = {2018}
}
备注
Accepted by IEEE Transactions on Image Processing