基于端元可变性的高斯混合模型解混城市高光谱影像
计算机视觉与模式识别
2018-01-26 v1
摘要
本文将像元建模为从高斯混合模型（GMM）概率分布中采样的端元的线性组合。GMM分布的参数利用光谱库估计。丰度基于分布参数估计。该算法的优势在于模型规模随库大小增长非常缓慢。为验证此方法，我们使用AVIRIS传感器在圣巴巴拉地区采集的数据：两幅16 m空间分辨率与两幅4 m空间分辨率影像。采用64个已验证感兴趣区域（ROI）（180 m × 180 m）评估估计精度。利用1 m影像获取地面真值，得到如下6类：草坪、非光合植被（NPV）、铺砌面、屋顶、土壤与树木。光谱库通过人工识别并从两种分辨率影像中提取纯光谱构建，得到16 m下3287条光谱与4 m下15426条光谱。随后我们使用以下解混算法对各分辨率ROI解混：基于集合的MESMA与AAM算法，以及基于分布的GMM、NCM与BCM算法。基于分布的算法使用原始库，而基于集合的方法需复杂的约简方法，得到16 m下61条与4 m下95条光谱的约简库。结果表明GMM在基于分布的方法中表现最佳，精度可与MESMA媲美，且在不同数据集上可能更稳健。
引用
@article{arxiv.1801.08513,
title = {Unmixing urban hyperspectral imagery with a Gaussian mixture model on endmember variability},
author = {Yuan Zhou and Erin B. Wetherley and Paul D. Gader},
journal= {arXiv preprint arXiv:1801.08513},
year = {2018}
}