用于高光谱图像层析重建的卷积神经网络与期望最大化算法混合方法
图像与视频处理
2022-12-20 v2 计算机视觉与模式识别
摘要
我们提出了一种简单但新颖的混合方法，用于从计算层析成像光谱（CTIS）图像重建高光谱数据立方体，该方法依次结合神经网络与迭代期望最大化（EM）算法。我们训练并测试了该方法从我们的CTIS模拟器生成的模拟CTIS图像重建和体素（分别对应25和100个光谱通道）的数据立方体的能力。该混合方法利用了卷积神经网络（CNN）在噪声方面的固有优势及其产生一致重建的能力，并运用EM算法无需训练即可泛化到任意物体的光谱图像的能力。对于已见（包含在CNN训练中）和未见（排除在CNN训练外）的数据立方体，在25和100通道两种情况下，混合方法的性能均优于单独的CNN和EM。对于25个光谱通道，从CNN到混合模型（CNN + EM）的均方误差改善在14-26%之间。对于100个光谱通道，获得了19-40%的改善，其中未见数据（CNN在训练期间未接触）的改善最大，达40%。
引用
@article{arxiv.2205.15772,
title = {The hybrid approach -- Convolutional Neural Networks and Expectation Maximization Algorithm -- for Tomographic Reconstruction of Hyperspectral Images},
author = {Mads J. Ahlebæk and Mads S. Peters and Wei-Chih Huang and Mads T. Frandsen and René L. Eriksen and Bjarke Jørgensen},
journal= {arXiv preprint arXiv:2205.15772},
year = {2022}
}
备注
36 pages, 13 figures and 2 tables. Supplemental material: 21 pages and 14 figures. v2: Clarifications added, analyses and argumentation updated