Pruning de dictionnaire basé sur la métrique d'utilité totale pour le démixage hyperspectral sparse

Étant donné une bibliothèque spectrale, le démixage sparse vise à estimer les proportions fractionnelles dans chaque pixel d'une scène d'image hyperspectrale. Cependant, la dimensionnalité en constante augmentation des dictionnaires spectraux limite fortement les performances des algorithmes de démixage sparse. Dans cette étude, nous proposons une nouvelle approche de pruning de dictionnaire (DP) pour améliorer la performance des algorithmes de démixage sparse, les rendant plus précis et efficaces en termes de temps. Nous quantifions l'importance relative de chaque atome de dictionnaire spectral en utilisant la métrique d'utilité totale à peu ou pas de frais. De cette manière, nous obtenons des aperçus quantitatifs sur la façon dont les éléments du dictionnaire représentent la scène hyperspectrale. Nous évaluons la performance de l'approche de pruning de dictionnaire proposée sur plusieurs ensembles de données simulées et une donnée réelle. Nous comparons également les résultats expérimentaux avec deux méthodes de pruning de dictionnaire bien connues, tant visuellement que quantitativement, et démontrons la supériorité de notre méthode proposée à travers une analyse expérimentale exhaustive.