高光谱解混的结构化稀疏方法
计算机视觉与模式识别
2014-07-14 v1 人工智能
摘要
高光谱解混 (HU) 因其能够揭示高光谱数据中潜在的信息而在过去几十年中受到越来越多的关注。不幸的是，大多数现有方法未能利用数据中的空间信息。为了克服这一局限性，我们从以下两个方面提出了一种结构化稀疏正则化非负矩阵分解 (SS-NMF) 方法。首先，我们引入图拉普拉斯算子来编码嵌入在高光谱数据空间中的流形结构。通过这种方式，高度相似的相邻像素可以被分组在一起。其次，鉴于同一流形结构中的像素是由一组相关基稀疏混合而成的，我们在 SS-NMF 中采用了 lasso 惩罚。这两个因素构成了一个新的结构化稀疏约束。在此约束下，我们的方法可以学习到一个紧凑的空间，其中高度相似的像素被分组以共享相关的稀疏表示。在不同噪声水平的真实高光谱数据集上的实验表明，我们的方法显著优于最先进的方法。
引用
@article{arxiv.1403.4682,
title = {Structured Sparse Method for Hyperspectral Unmixing},
author = {Feiyun Zhu and Ying Wang and Shiming Xiang and Bin Fan and Chunhong Pan},
journal= {arXiv preprint arXiv:1403.4682},
year = {2014}
}