Sep, 2017

高斯混合模型用于高光谱分离成分中的端元变异表示

PDF
TL;DR考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布，本文提出使用高斯混合模型表示端元变化，通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系，基于此给出了一种用于估计混合像素分布和端元的方法，并在合成数据和真实数据上验证其效果。
hyperspectral unmixingendmember variabilitygaussian mixture modelslinear mixing modelmaximum a posteriori
发现论文，激发创造
  • 深高斯混合模型用于无监督图像分割

    使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。

    Apr, 2024

  • 一种受共识约束的简化高斯混合模型用于聚类高光谱图像

    使用共识约束的简约高斯混合模型 (ccPGMM) 方法在高光谱图像中标记像素，并利用模型聚类法改进聚类性能和计算效率。

    Mar, 2024

  • 高斯 Copula 混合模型的性质

    本文研究了高斯混合模型的推广形式 —— 高斯 Copula 混合模型，基于此模型开发了拓展的 EM 算法估计其参数，通过使用独立的非参数统计方法对每个维度的边缘分布进行估计，GCMM 可以实现对数据更深入的挖掘。实验表明，与高斯混合模型相比，在具有相同簇数的情况下，GCMM 可以实现更好的拟合度，并且可以利用每个维度上的不同步数据进行挖掘。

    May, 2023

  • 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

  • 高光谱分解概述：基于几何、统计和稀疏回归方法

    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。

    Feb, 2012

  • 一维高斯混合模型参数估计问题的傅里叶方法

    该研究提出了一种新颖的算法用于估计一维高斯混合模型的参数，利用傅里叶数据中的 Hankel 结构，解决了方差和组分数量同时的问题；同时揭示了有限独立同分布样本情况下，估计高斯混合模型的组分数量的基本极限，并验证了算法在似然度、AIC 和 BIC 等方面比 EM 算法表现更好。

    Apr, 2024

  • 填补空缺：来自带噪声、截断或不完整样本的高斯混合模型

    通过 GMMis 方法，可以推断出天文数据中存在的不完整信息并从当前模型进行同时填补缺失值，该方法可以应用于任意截断几何和概率拒绝算法的情况，同时考虑每个观测样本的独立多元正态测量误差和一个纯净的误差分布估计，基于此方法，在不同类型的不完整数据测试和观测来自 NASA 的钱德拉 X 射线望远镜的数据时，可以对混合高斯信号进行分离并比较出标准高斯混合模型的差异。

    Nov, 2016

  • 使用深度高斯混合模型估计缺失值的条件密度

    本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。

    Oct, 2020

  • 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

  • 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