一种用于线性解混与端元不确定性估计的空间组合模型(SCM)
计算机视觉与模式识别
2016-11-23 v1
摘要
常规组合模型(NCM)已在高光谱解混中得到广泛应用。然而，以往大多数研究集中于端元和/或其可变性的估计。此外，极少有工作在NCM中利用空间信息。本文中，我们表明NCM可用于计算估计端元的不确定性，并引入空间先验以改进解混。这产生了一种空间组合模型(SCM)，其特点为(i)基于像素相似性迫使相邻丰度相似的空间先验，以及(ii)从不对像素独立性做假设的似然模型所得的后验。所得算法易于实现且运行高效。我们在合成与真实图像上将SCM与当前最先进的算法进行了比较。结果表明，SCM大体上能提供更准确的端元和丰度。此外，在某些条件下，估计的不确定性可作为端元误差的预测。
引用
@article{arxiv.1509.09243,
title = {A spatial compositional model (SCM) for linear unmixing and endmember uncertainty estimation},
author = {Yuan Zhou and Anand Rangarajan and Paul Gader},
journal= {arXiv preprint arXiv:1509.09243},
year = {2016}
}