用于高光谱图像联合空间-光谱解混的矩阵共分解
计算机视觉与模式识别
2020-02-17 v2 图像与视频处理
摘要
高光谱解混旨在识别一组基本光谱及图像中每个像素对应的混合系数。由于基本光谱对应于真实材料的反射光谱，它们通常高度相关，导致问题病态。为丰富模型并减少由高相关性引起的歧义，常引入空间信息以补充光谱信息。引入空间信息最常见的方式是对丰度图进行空间正则化。本文不采用简单却有限的正则化过程，而是通过新提出的空间解混框架直接融入空间信息。为每个像素提取上下文特征，并按线性模型对该附加观测集进行分解。最终，空间与光谱观测通过共分解模型联合解混。特别地，该模型引入一个耦合项以识别具有共享空间与光谱特征的簇。在合成与真实数据上对所提方法的评估表明，结果准确且意义明确，因为它们从空间与光谱两方面描述了场景的各个区域。
引用
@article{arxiv.1907.08511,
title = {Matrix cofactorization for joint spatial-spectral unmixing of hyperspectral images},
author = {Adrien Lagrange and Mathieu Fauvel and Stéphane May and Nicolas Dobigeon},
journal= {arXiv preprint arXiv:1907.08511},
year = {2020}
}