Feb, 2012

高光谱分解概述：基于几何、统计和稀疏回归方法

PDF
TL;DR本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间，几何，统计，稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。
imaging spectrometershyperspectral camerasspectroscopic analysisunmixing algorithmsmaterial identification
发现论文，激发创造
  • 高光谱图像处理与机器学习：综述及 HySUPP Python 包

    该研究提供了先进和传统的混合解析方法的概述，并从三个类别进行了关键比较。同时，实验结果显示了不同混合解析场景下不同解析类别的优势，并提供了一个基于 Python 的开源软件包以重现结果。

    Aug, 2023

  • 高光谱影像的非线性解混模型与算法

    本文综述了非线性解混模型在高光谱遥感图像中的应用和发展。

    Apr, 2013

  • 广义多尺度捆绑式高光谱稀疏解混算法

    通过将多尺度空间正则化方法推广到无混合问题中，通过融合组稀疏诱导混合范数，提出了一种噪声鲁棒的方法，能够在合理的计算成本下利用束结构处理端元变异，并确保丰度估计的类内和类间稀疏性。同时，我们还提出了一种通用的启发式方法，通过多次运行混合过程选择得到最具代表性的丰度估计，从而获得具有鲁棒性和高可复现性的解决方案。实验结果表明，在与相关方法比较时，所得结果的鲁棒性和一致性。

    Jan, 2024

  • 利用基于物理的色散模型的可微编程进行高光谱分离

    本文将基于物理原理的方法与深度学习相结合，借助分散模型工具将光谱变异性考虑到算法中，并将测量数据分解为纯物质组成的混合物，使用卷积神经网络对分散模型参数进行反渲染预测以提高精度和速度，在可见到近红外和红外两个数据集上取得了最先进的结果。

    Jul, 2020

  • 一个用于混合物解混的多传感器高光谱基准数据集

    本研究生成实验室地面真实数据集，用于验证非线性解混和物质组成估计的高级方法，包括研究光谱变异性和训练监督解混方法。

    Aug, 2023

  • 基于 Correntropy 度量的鲁棒高光谱解混合

    本文提出了一种基于神经元的半二次优化技术的鲁棒性第一个非监督高光谱分离模型，该模型针对纯度未知的情况下如何准确进行分离和清晰谱带噪声的情况下如何去噪，通过引入基于神经元的指标和数据稀疏等约束条件来解决这些问题.

    May, 2013

  • 学习可解释的深度卷积神经网络用于高光谱成分解混

    本文提出了一种新的可解释的深度学习方法，用于处理高光谱混合问题，该方法考虑了非线性和端元变异性，并利用概率变分深度学习框架和解缠态学习来实现丰度和端元的分离，通过使用两个流的神经网络以及多个组成元素的附加分段线性 / 非线性组件来提供高度的可解释性，并通过合成和真实数据集的实验证明了该方法的性能优于现有算法。

    Oct, 2023

  • 多光谱立体影像融合用于 3D 高光谱场景重建

    通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

    Dec, 2023

  • 深度非线性高光谱解混合的多任务学习

    基于深度学习的无监督非线性高光谱解混合方法通过结合通用非线性模型而不做特定假设，引入两个分支，一方面通过重构高光谱图像的行来学习端元，另一方面通过对应图像的列来学习丰度值，并利用多任务学习来强制两个分支协同工作，从而提高解混合网络的性能，通过对合成和实际数据的广泛实验验证了该方法的有效性并与一些最先进的高光谱解混合方法进行了比较。

    Feb, 2024

  • 考虑季节性光谱变异的高光谱和多光谱图像融合超分辨率

    本文介绍了一种新的 HS-MS 图像融合策略，该策略将不混合基础方法与典型光谱变异的显式参数模型相结合，模拟表明该策略在光谱变异下可以显著提高性能，并表现出最先进的性能。

    Aug, 2018