基于广义鲁棒主成分分析的目标导向高光谱解混
计算机视觉与模式识别
2019-03-01 v1 机器学习
机器学习
摘要
在给定高光谱（HS）图像中定位感兴趣目标的应用范围从遥感到监控。该目标检测任务利用了每种材料/物体因其组成而具备自身特征光谱响应的事实。由于不同材料的签名（signatures）通常相关，基于匹配滤波的方法在此情况下可能不适用。在本工作中，我们提出一种基于光谱签名定位感兴趣目标的技术。我们还利用近期理论结果给出了相应的恢复保证。为此，我们将 HS 图像建模为低秩分量与字典稀疏分量的叠加，其中字典由我们希望定位的目标的先验已知特征光谱响应组成。最后，我们通过真实 HS 数据上的分类任务实验验证分析了所提方法的性能，并与相关技术进行比较。
引用
@article{arxiv.1902.11111,
title = {Target-based Hyperspectral Demixing via Generalized Robust PCA},
author = {Sirisha Rambhatla and Xingguo Li and Jarvis Haupt},
journal= {arXiv preprint arXiv:1902.11111},
year = {2019}
}
备注
5 Pages; Index Terms - Hyperspectral imaging, Robust-PCA, Dictionary Sparse, Matrix Demixing, Target Localization, and Remote Sensing. arXiv admin note: substantial text overlap with arXiv:1902.10238