用于高光谱解混的图像处理与机器学习：综述及HySUPP Python包
图像与视频处理
2024-04-29 v3 计算机视觉与模式识别
机器学习
摘要
由于高光谱传感器空间分辨率低、二次散射以及场景中物质的紧密混合，光谱像素常常是物质纯光谱（称为端元）的混合。解混估计像素内各端元的分数丰度。依据端元先验知识的多寡，线性解混可分为三大类：监督、半监督与无监督（盲）线性解混。图像处理与机器学习的进展极大地影响了解混。本文综述先进与传统解混方法，并从三类方法中批判性比较先进与传统技术。我们在三个模拟与两个真实数据集上比较解混技术的性能。实验结果揭示了不同解混类别针对不同解混场景的优势。此外，我们提供了一个开源的基于Python的包（https://github.com/BehnoodRasti/HySUPP）以复现结果。
引用
@article{arxiv.2308.09375,
title = {Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package},
author = {Behnood Rasti and Alexandre Zouaoui and Julien Mairal and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2308.09375},
year = {2024}
}
备注
IEEE Transactions on Geoscience and Remote Sensing, 2024