基于状态空间模型公式的多时相高光谱数据端元动态学习
图像与视频处理
2019-11-28 v1
摘要
高光谱图像解混是一类逆问题，旨在恢复图像中感兴趣纯材料（称为端元）的光谱特征并估计其在每个像素中的占比（称为丰度）。然而，尽管应用潜力巨大且具备高时间分辨率的新卫星传感器已出现，与标准图像解混相比，多时相高光谱解混在社区中仍是相对未被充分探索的研究方向。本文提出一种基于状态空间模型的多时相解混与端元提取新框架，并在模拟数据上给出概念验证，展示该表示如何借助外部先验知识指导多时相解混，或反之利用适配动力学系统辨识的神经网络架构从数据学习相关量的动态。
引用
@article{arxiv.1911.12020,
title = {Learning Endmember Dynamics in Multitemporal Hyperspectral Data Using a State-Space Model Formulation},
author = {Lucas Drumetz and Mauro Dalla Mura and Guillaume Tochon and Ronan Fablet},
journal= {arXiv preprint arXiv:1911.12020},
year = {2019}
}
备注
5 pages, 4 figures