利用自适应束和双重稀疏性进行具有光谱变异性的高光谱解混
图像与视频处理
2019-06-26 v1 数据分析、统计与概率
机器学习
摘要
光谱变异性是进行高光谱解混时的主要问题之一。在由一些基本材料（本文中称为端元类别）组成的给定图像中，由于内在组分波动或外部因素（光照），表征这些类别的光谱签名可能在空间上发生变化。每个类别内这些冗余的多个端元光谱会对解混方法的性能产生不利影响。本文提出了一种混合模型，该模型显式地结合了表示每个类别的冗余多光谱的分层结构。所提出的方法旨在促进每个像素内光谱和类别的选择双重稀疏性。由此产生的解混算法能够自适应地恢复与每个类别相关的多个端元光谱束，并稳健地估计丰度。此外，其灵活性允许待解混的高光谱图像的每个像素中存在可变数量的类别。使用模拟和真实高光谱数据，将所提出的方法与其他结合了稀疏性的最先进解混方法进行了比较。结果表明，所提出的方法能够成功确定每个类别内存在的可变类别数量，并估计相应的类别丰度。
引用
@article{arxiv.1804.11132,
title = {Hyperspectral unmixing with spectral variability using adaptive bundles and double sparsity},
author = {Tatsumi Uezato and Mathieu Fauvel and Nicolas Dobigeon},
journal= {arXiv preprint arXiv:1804.11132},
year = {2019}
}