免费论文摘要：鉴于稠密表白的高光谱遥感图像解混

稠密表白本领旨在求解欠定线性方程体例的最稀解释，是近十年旗号和图像处置的一个接洽热门。它仍旧被普遍运用于图像和旗号的去噪、插值、收缩、采集样品、检验和测定、辨别等范围。近几年，鸿儒们商量将稠密表白本领用来高光谱图像解混，称之为稀解释混。稀解释混假如高光谱图像中的每个察看光谱旗号都是一个已知光谱库中少量生存于场景中的光谱旗号(端元) 的线性拉拢，而后估量每个端元在场景中的丰度比率。和保守的非监视解混本领径直从高光谱数据中索取端元比拟，稀解释混本领中一切的端元都是从光谱库中找到，所以它具备不会从高光谱数据中索取出没有物理意旨的端元的上风。然而因为光谱库的强关系性，稀解释混仍旧是学术界的一个困难。正文提出了三种新的稀解释混算法来处置这一题目，即子空间配合蹑踪算法(Subspace Matching Pursuit, SMP)、正则化同步前向后向贪心算法(RegularizedSimultaneous Forward–Backward Greedy Algorithm, RSFoBa) 和鉴于光谱先验消息的稀解释混算法(Sparse Unmixing of Hyperspectral Data Using Spectral A Priori Information,SUnSPI)。 子空间配合蹑踪算法. 暂时，大普遍和稀解释混关系的处事都会合在l1 凸随便算法，简直没有人用鉴于贪心算法的同步稠密表白框架来处置稀解释混题目。同步贪心算法有稠密上风。比方，它不妨以较低的计划搀杂度求得非润滑的l0 题目的好像解，同声它还不妨在解混框架中天然的运用高光谱图像丰度的共同稠密性。所以，有需要探究这类算法用来稀解释混的功效。正文开始提出一种新的同步贪心算法，定名为子空间配合蹑踪算法(SMP)，用来稀解释混。SMP 不妨运用高光谱图像中的低搀和度像元迭代的探求一个子空间来重构高光谱数据。咱们表明，在确定前提下SMP 不妨从光谱库中回复出最好端元子集。其余，SMP 算法还不妨动作一种字典剪枝算法来提高其它稀解释混算法，使它们变得越发灵验和赶快。 正则化同步前向后向贪心算法. 动作一种同步贪心算法，RSFoBa 不妨以较低的计划搀杂度径直获得l0 题目的好像解，而且不妨将高光谱图像丰度的共同稠密性贯串进解混模子。其余，前向贪心办法和后向贪心办法的贯串使得RSFoBa 越发宁静，比保守贪心算法更好的制止了堕入限制极小。更进一步，在历次迭代革新解时，RSFoBa 商量了一个不妨贯串高光谱图像空间情况消息的正则化算子使得算法越发宁静。同声，RSFoBa 算法获得的子字典不妨动作其它稀解释混算法的输出，使它们变得越发灵验。 鉴于光谱先验消息的稀解释混算法. 结果，咱们试验运用高光谱图像中的光谱先验消息来缓和光谱库强关系性带来的艰巨。咱们假如仍旧领会光谱库中局部物资确定生存于高光谱图像场景中。这种消息不妨经过旷野参观和高光谱图像领会来获得。而后，咱们提出了一个新的模子来充溢运用这一先验。运用瓜代迭代乘子法，咱们推导了一个新的算法，称为SUnSPI，来求解新提出的模子。仿真数据和如实数据上的试验截止均表白光谱先验利于于稀解释混，而且新提出的SUnSPI 算法不妨灵验的运用这一先验来提高丰度估量功效。RSFoBa 算法获得的子字典不妨动作其它稀解释混算法的输出，使它们变得越发灵验。鉴于光谱先验消息的稀解释混算法. 结果，咱们试验运用高光谱图像中的光谱先验消息来缓和光谱库强关系性带来的艰巨。咱们假如仍旧领会光谱库中局部物资确定生存于高光谱图像场景中。这种消息不妨经过旷野参观和高光谱图像领会来获得。而后，咱们提出了一个新的模子来充溢运用这一先验。运用瓜代迭代乘子法，咱们推导了一个新的算法，称为SUnSPI，来求解新提出的模子。仿真数据和如实数据上的试验截止均表白光谱先验利于于稀解释混，而且新提出的SUnSPI 算法不妨灵验的运用这一先验来提高丰度估量功效。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/282283.html