基于鲁棒表示与学习稀疏性的有效光谱解混
计算机视觉与模式识别
2017-08-29 v4
摘要
高光谱解混 (HU) 在众多高光谱应用中发挥着基础性作用。由于异常波段 (outlier channels) 的普遍存在以及巨大的解空间，该任务仍极具挑战性。为解决上述两个问题，我们提出了一种强调鲁棒表示与学习稀疏性的新模型。具体而言，我们应用 -范数来度量表示误差，防止异常波段主导我们的目标函数。通过这种方式，异常波段的副作用得到了极大缓解。此外，我们观察到每个像素的混合程度随图像网格而变化。基于这一观察，我们利用一种基于学习的稀疏性方法，同时学习 HU 结果和稀疏引导图。通过该引导图，-范数中的稀疏约束可根据每个像素学习到的混合程度自适应地施加。与最先进 (state-of-the-art) 的方法相比，我们的模型更适合实际情况，因此有望获得更好的 HU 结果。所得目标函数高度非凸且非光滑，因此难以优化。作为一项深刻的理论贡献，我们提出了一种高效算法来求解该问题。同时，系统地提供了收敛性证明和计算复杂度分析。大量评估验证了我们的方法在 HU 任务中极具前景——与最先进的方法相比，它能获得非常精确的引导图和更优的 HU 结果。
引用
@article{arxiv.1409.0685,
title = {Effective Spectral Unmixing via Robust Representation and Learning-based Sparsity},
author = {Feiyun Zhu and Ying Wang and Bin Fan and Gaofeng Meng and Chunhong Pan},
journal= {arXiv preprint arXiv:1409.0685},
year = {2017}
}