基于稀疏表示的高光谱亚像元量化中的原型分析
计算机视觉与模式识别
2018-02-09 v1
摘要
从遥感影像估算土地覆盖比例是环境质量的常用指标。本文聚焦于利用空间分辨率 30m×30m 的模拟高光谱 EnMAP 数据，对德国柏林一城市区域中的土地覆盖比例进行量化。我们使用约束稀疏表示，其中每个具有未知地表特征的像元由具有已知土地覆盖类别的基元光谱的加权线性组合表示。我们通过单纯形体积最大化的原型分析从影像参考数据中自动确定基元光谱，并将其与可逆跳跃马尔可夫链蒙特卡罗方法相结合。在我们的实验中，就重建误差、比例估计的平均绝对误差、比例之和、R^2 以及所用基元光谱数量而言，将自动导出的基元光谱的估计与手动设计的光谱库所得估计进行比较。实验表明，就上述准则而言，原型集合可作为手动设计光谱库的适当且高效的替代方案。
引用
@article{arxiv.1802.02813,
title = {Archetypal Analysis for Sparse Representation-based Hyperspectral Sub-pixel Quantification},
author = {Lukas Drees and Ribana Roscher and Susanne Wenzel},
journal= {arXiv preprint arXiv:1802.02813},
year = {2018}
}