一种用于解决高光谱解混中光谱可变性的增广线性混合模型
计算机视觉与模式识别
2019-06-25 v1
摘要
从机载或卫星获取的高光谱影像不可避免地受到光谱可变性的影响，使得光谱解混难以准确估计丰度图。经典的解混模型即线性混合模型（LMM）通常无法有效处理这一棘手问题。为此，我们提出一种新颖的光谱混合模型，称为增广线性混合模型（ALMM），通过在高光谱解混逆问题中应用数据驱动学习策略来解决光谱可变性。所提方法通过端元字典分别对由光照或地形变化产生的主要光谱可变性（即缩放因子）进行建模；并将由环境条件（如局部温度与湿度、大气效应）和仪器配置（如传感器噪声）引起的其他光谱可变性以及材料非线性混合效应，通过引入光谱可变性字典进行建模。为有效运行数据驱动学习策略，我们还对光谱可变性字典提出合理的先验知识，假设其原子与端元的光谱特征低相干，从而导出一个著名的低相干字典学习问题。因此，将字典学习技术嵌入光谱解混框架中，使算法能同时学习光谱可变性字典并估计丰度图。在合成与真实数据集上的大量实验表明，与先前最先进的方法相比，所提方法具有优越性与有效性。
引用
@article{arxiv.1810.12000,
title = {An Augmented Linear Mixing Model to Address Spectral Variability for Hyperspectral Unmixing},
author = {Danfeng Hong and Naoto Yokoya and Jocelyn Chanussot and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:1810.12000},
year = {2019}
}