基于混合深度神经网络的多几何高光谱图像病态地表发射率反演
图像与视频处理
2022-03-23 v3 机器学习
摘要
大气校正遥感中的一项基本任务，因为观测要么针对大气进行，要么透过大气进行。大气校正误差会显著改变观测的光谱特征，并导致无效的分类或目标检测。在处理高光谱数据时这一点更为关键，因为需要精确测量光谱特性。最先进的基于物理的大气校正方法需要关于传感器特性、采集几何以及所采集场景环境特性的广泛先验知识。这些方法计算代价高，因缺乏充分的环境与采集信息而易不准确，且常无法用于实时应用。本文提出一种几何相关的混合神经网络，利用从不同几何采集的多扫描高光谱数据实现自动大气校正。所提网络可在无任何额外气象数据的情况下刻画大气。还提出一种网格搜索方法以解决温度发射率分离问题。结果表明，所提网络能够准确刻画大气并以低于 0.02 的平均绝对误差（MAE）估计 29 种不同材料的靶标发射率光谱。该方案可实现精确大气校正，从而改善实时应用中的目标检测。
引用
@article{arxiv.2107.04631,
title = {Ill-posed Surface Emissivity Retrieval from Multi-Geometry Hyperspectral Images using a Hybrid Deep Neural Network},
author = {Fangcao Xu and Jian Sun and Guido Cervone and Mark Salvador},
journal= {arXiv preprint arXiv:2107.04631},
year = {2022}
}