基于端成员捆绑的高光谱成分分析中群稀疏性通用框架
计算机视觉与模式识别
2025-05-21 v1 图像与视频处理
摘要
由于空间分辨率低，高光谱数据通常由来自多个材料的贡献的混合物组成。这一限制激励了高光谱成分分析 (HU) 这一任务，这是高光谱成像中的一个基本问题。HU 旨在识别观察场景中所含材料的光谱特征（端成员）以及它们在每个像元中的相对比例（分数丰度）。主要挑战在于材料的类别变异，这阻碍了对单个光谱特征（如传统线性混合模型所假设的）的准确表示。为了解决此问题，我们提出在每个材料表示为一组光谱特征（称为端成员捆绑）后使用群稀疏，其中每个组对应于特定材料。具体而言，我们开发了基于捆绑的框架，可在丰度系数上强制执行组间稀疏性或在组内以及跨组内的稀疏性（SWAG）。此外，我们的框架可以灵活地纳入各种稀疏性促进罚函数，其中变换 (TL1) 罚函数是 HU 文献中一种新颖的正则化。在对合成数据和真实高光谱数据上进行的大量实验表明，所提出的方法在有效性和优越性方面都得到了验证。
引用
@article{arxiv.2505.14634,
title = {A General Framework for Group Sparsity in Hyperspectral Unmixing Using Endmember Bundles},
author = {Gokul Bhusal and Yifei Lou and Cristina Garcia-Cardona and Ekaterina Merkurjev},
journal= {arXiv preprint arXiv:2505.14634},
year = {2025}
}