光谱变异性增强的高光谱图像稀疏解混
图像与视频处理
2022-06-27 v2 计算机视觉与模式识别
机器学习
信号处理
摘要
光谱解混（SU）将高光谱图像中存在的混合像元表示为端元与丰度的乘积，已广泛应用于高光谱影像分析。然而，光照、采集条件及材料固有属性等影响导致所识别端元在给定图像内可能发生光谱变化（视为光谱变异性）。为此，近期方法通常使用先验获取的光谱库表示同一物体的多个特征光谱，但极少显式提取光谱变异性。本文提出一种光谱变异性增强的稀疏解混模型（SVASU），首次提取光谱变异性。将可变光谱划分为本征光谱与光谱变异性两部分用于光谱重建，并在 SU 模型中同步建模，加入限制丰度稀疏性与变异性系数泛化性的正则项。需注意，光谱变异性库与本征光谱库均由原位观测图像构建。在合成与真实数据集上的实验结果表明，相较仅基于光谱库的解混及最先进算法，由光谱变异性增强的分解显著提升了解混性能。
引用
@article{arxiv.2110.09744,
title = {Spectral Variability Augmented Sparse Unmixing of Hyperspectral Images},
author = {Ge Zhang and Shaohui Mei and Mingyang Ma and Yan Feng and Qian Du},
journal= {arXiv preprint arXiv:2110.09744},
year = {2022}
}