考虑光谱变异性的低秩张量建模高光谱解混
计算机视觉与模式识别
2019-10-25 v3
摘要
传统高光谱解混方法忽略了典型高光谱图像（HI）中常观察到的光谱特征潜在变异性，将这些错误建模误差传播至整个解混过程。将材料光谱建模为集合成员或随机变量的尝试往往导致严重病态的解混问题。尽管已提出参数化模型，通过混合模型的推广来处理端元变异性以克服此缺陷，但这些技术的成功依赖于采用适当的正则化策略。此外，现有方法未能充分探索 HI 的自然多维表示。近来，基于张量的策略将高光谱图像的低秩分解视为对标准和多时相解混问题解施加低维结构的替代方案。然而，这些策略有两个主要缺陷：1）它们将解限制于低秩张量，通常无法表示真实场景的复杂性；2）它们缺乏端元和丰度将在各自张量中被正确分解的保证。本工作中，我们提出一种更灵活的方法，称为 ULTRA-V，通过严格度由标量参数控制的 Regularization 施加低秩结构。仿真证明了该方法相较于考虑光谱变异性的最先进（SOTA）解混算法具有更高精度。
引用
@article{arxiv.1811.02413,
title = {Low-Rank Tensor Modeling for Hyperspectral Unmixing Accounting for Spectral Variability},
author = {Tales Imbiriba and Ricardo Augusto Borsoi and José Carlos Moreira Bermudez},
journal= {arXiv preprint arXiv:1811.02413},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1803.06355