利用面向大型光谱库的迭代、稀疏与集成方法进行高光谱解混并应用于土壤与矿物
图像与视频处理
2025-03-24 v2 数据分析、统计与概率
摘要
解混是高光谱图像处理中的一个基本过程，在此过程中，基于候选材料的光谱和像素光谱来确定混合像素中存在的材料。实用且通用的功能需要一个大型光谱库，其样本测量需覆盖每种候选材料的全部变化，以及足够多样的潜在材料集合。然而，任何光谱数多于波段数的光谱库，在使用基于经典最小二乘回归的解混方法时，都会导致不适定的反演问题。此外，出于数值和维度的原因，包含超过 10 或 20 个光谱的库在计算上表现得如同不适定问题。在当前实践中，解混通常使用手动选择的材料或图像端元应用于图像。利用大型光谱库对未知材料的光谱进行通用解混需要某种形式的稀疏回归，即仅有少量系数非零的回归。这需要在拟合优度和模型大小之间进行权衡。在本研究中，我们比较了两种稀疏回归技术的变体，重点关注材料的结构与化学性质之间的关系，以及各种模型在识别存在的正确材料混合物方面的准确性。具体而言，我们考察了 LASSO 回归和 ElasticNet，并与迭代特征选择、贝叶斯模型平均（BMA）和二次 BMA（BMA-Q）的变体进行对比——后者将 LASSO 回归和 ElasticNet 作为其基础模型。为了评估这些方法的有效性，我们考虑了模型中选择的物质与真实情况相比的分子组成相似性和差异。
引用
@article{arxiv.2503.16298,
title = {Hyperspectral Unmixing using Iterative, Sparse and Ensambling Approaches for Large Spectral Libraries Applied to Soils and Minerals},
author = {Jade Preston and William Basener},
journal= {arXiv preprint arXiv:2503.16298},
year = {2025}
}