Effiziente hyperspektrale sparse Regression Unmixing mit Mehrschichten

Die sparse Regression Methode ist bekannt für ihre Fähigkeit, hyperspektrale Daten zu entmischen, kann jedoch rechnerisch teuer und genau unzureichend sein aufgrund der großen Skalierung und hohen Kohärenz der Spektralbibliothek. Um dieses Problem zu adressieren, wurde in diesem Papier ein neuer Ansatz namens geschichtete sparse Regression Unmixing (LSU) vorgeschlagen. Diese Methode besteht darin, den sparsamen Entmischungsprozess in Mehrschichten zu zerlegen, von denen jede interaktiv eine zeilen-sparsame Förderung der Abundanzmatrix lernt und die aktiven Bibliotheksatome basierend auf gemessener Aktivität optimiert. Dadurch liefert LSU sowohl eine erlernte Abundanzmatrix als auch eine optimale Bibliothek, die jedes gemischte Pixel in der Szene am besten modellieren kann. Das vorgeschlagene LSU kann effizient durch das alternierende Richtungsverfahren des Multiplikatorenrahmens gelöst werden. Experimentelle Ergebnisse, die aus simulierten und realen hyperspektralen Bildern gewonnen wurden, zeigen die Wirksamkeit von LSU. Die Demo des vorgeschlagenen LSU wird öffentlich verfügbar sein unter https://github.com/XiangfeiShen/LayeredSparseRegressionUnmixing.