高光谱图像的贝叶斯非参数解混

高光谱成像是遥感领域的重要工具，能够对广阔区域进行精确分析。由于空间分辨率较低，高光谱图像的一个像素很少代表单一物质，而是不同光谱的混合。高光谱解混（HSU）旨在估计感兴趣场景中存在的纯光谱（称为端元）及其在每个像素中的占比（称为丰度）。目前已有许多基于几何模型或统计模型的 HSU 算法被提出。虽然大多数方法假设场景中存在的端元数量已知，但关于从观测数据中估计该数量的研究却很少。在本研究中，我们提出了一种贝叶斯非参数框架，通过利用 Indian Buffet Process 作为端元的先验，联合估计端元数量、端元本身及其丰度。仿真结果与真实数据实验证明了所提算法的有效性，其结果与 SOTA 方法相当，且能够可靠地推断端元数量。在其他算法表现不佳的强噪声场景中，所提方法倾向于略微高估端元数量。然而，多出的端元通常只是现有端元的含噪副本，可以在后处理步骤中轻松合并。