Aug, 2024

从稀疏视角看大光谱库在高光谱像素解混中的理论与实践进展

HTML
PDF
TL;DR本研究解决了高光谱解混过程中的一个关键问题，即如何从未知材料的光谱库中有效辨识出单一材料及其丰度。通过全面评估多种回归方法的性能，提出了一种基于贝叶斯框架的回归方法分类法，表明与高光谱图像现象相对应的先验知识的使用可以显著提高解混的准确性。这项工作对高光谱数据分析领域有重要影响，推动了解混技术的进步。
发现论文，激发创造
  • 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

  • 高斯混合模型用于高光谱分离成分中的端元变异表示

    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。

    Sep, 2017

  • 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

  • AE-RED:基于深度自编码器和去噪正则化的高光谱解混框架

    本文旨在将深度自编码器网络与去噪正则化结合，提出了一个名为AE-RED的泛型分离框架，来增强混合分离性能，实验结果表明该框架相较于现有的分离方法具有显著的优越性。

    Jul, 2023

  • 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

  • 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

  • 利用MODIS多光谱时间序列和辅助数据进行盲解混淆土地利用/覆盖类型的深度学习

    通过深度学习模型，结合光谱-时间序列数据和地理-地形和气候信息，提高多光谱遥感数据中土地利用和土地覆盖类型的成分估计，该研究还提供了一个新的标记数据集和代码。

    Oct, 2023

  • 像素到丰度转换：基于Patch Transformer的基于条件生成对抗网络的高光谱解混

    我们提出了一种基于Hyperspectral Conditional Generative Adversarial Network方法的高光谱解混框架，通过生成器和鉴别器的组合，将混合高光谱像素块转换为中心像素对应的成分丰度，并利用HSI Patch Transformer这一主要组件捕捉了高光谱像素块内部的像素相关性

    Dec, 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

  • UnmixingSR：面向高光谱图像超分辨率的材料感知网络与无监督分解辅助任务

    本研究提出了一种名为UnmixingSR的组件感知高光谱图像超分辨网络，利用无监督学习来感知高光谱图像的材料成分，并通过探索低分辨率和高分辨率丰度之间的约束来提高方法在解决超分辨问题时的稳定性。实验证明，将无监督感知过程作为辅助任务嵌入超分辨问题是可行和有效的。

    Jul, 2024