Kollaborative spärische Regression für hyperspektrale Entmischung

Spärliche Entmischung wurde kürzlich in der hyperspektralen Bildgebung als ein Rahmenwerk zur Charakterisierung gemischter Pixel eingeführt. Sie geht davon aus, dass die beobachteten Bildsignaturen in Form von linearen Kombinationen einer Anzahl von im Voraus bekannten reinen spektralen Signaturen (z. B. Spektren, die am Boden mit einem Feld-Spektroradiometer gesammelt wurden) ausgedrückt werden können. Die Entmischung besteht darin, die optimale Teilmenge von Signaturen in einer (potenziell sehr großen) spektralen Bibliothek zu finden, die jedes gemischte Pixel in der Szene am besten modellieren kann. In diesem Papier präsentieren wir eine Verfeinerung der kürzlich eingeführten Methode der spärlichen Entmischung, die die üblicherweise sehr geringe Anzahl an Endmitgliedern nutzt, die in realen Bildern aus einer sehr großen Bibliothek vorhanden sind. Konkret übernehmen wir das kollaborative (auch "Multitask" oder "simultane") spärliche Regressionsframework, das die Entmischungsergebnisse verbessert, indem es ein gemeinsames Problem der spärlichen Regression löst, wobei die Sparsamkeit gleichzeitig für alle Pixel im Datensatz auferlegt wird. Unsere experimentellen Ergebnisse mit sowohl synthetischen als auch realen hyperspektralen Datensätzen zeigen eindeutig die Vorteile, die durch die neue gemeinsame spärliche Regressionsstrategie, im Vergleich zum pixelweisen unabhängigen Ansatz, erzielt werden können.