基于期望传播的稀疏线性高光谱图像光谱解混
应用统计
2022-05-04 v2 图像与视频处理
摘要
本文提出一种用于高光谱图像解混的新型贝叶斯方法。观测像素建模为材料光谱按其对应丰度加权后的线性组合。采用尖峰- slab 丰度先验以促进稀疏混合，并使用 Ising 先验模型刻画混合支撑集在像素间的空间相关性。我们利用期望传播（EP）方法近似丰度的后验分布。结果表明，相较于传统上用于不确定性量化的昂贵蒙特卡洛策略，该方法可显著降低解混阶段的计算复杂度，同时提供不确定性度量。此外，各 EP 因子内的许多变分参数可并行更新，从而能够映射基于图形处理单元（GPU）的高效算法架构。在同一近似贝叶斯框架下，我们将所提算法扩展至半监督解混，其中丰度视为潜变量，并使用期望最大化（EM）算法精炼端元矩阵。在合成数据与真实高光谱数据上的实验结果展示了该框架相较于最先进线性解混方法的优势。
引用
@article{arxiv.2106.09985,
title = {Sparse Linear Spectral Unmixing of Hyperspectral images using Expectation-Propagation},
author = {Zeng Li and Yoann Altmann and Jie Chen and Stephen Mclaughlin and Susanto Rahardja},
journal= {arXiv preprint arXiv:2106.09985},
year = {2022}
}