Un modèle d'hypothèse binaire basé sur une représentation clairsemée pour la détection de cibles dans des images hyperspectrales

Dans cet article, un nouveau modèle d'hypothèse binaire basé sur une représentation clairsemée (SRBBH) pour la détection de cibles hyperspectrales est proposé. L'approche proposée repose sur le modèle d'hypothèse binaire d'un échantillon inconnu induit par une représentation clairsemée. L'échantillon peut être représenté de manière clairsemée par les échantillons d'entraînement provenant du dictionnaire de fond uniquement sous l'hypothèse nulle et les échantillons d'entraînement provenant du dictionnaire cible et fond sous l'hypothèse alternative. Les vecteurs clairsemés dans le modèle peuvent être récupérés par un algorithme glouton, et les mêmes niveaux de clairsemence sont appliqués aux deux hypothèses. Ainsi, le processus de récupération aboutit à une compétition entre le sous-espace de fond uniquement et le sous-espace cible et fond, qui sont directement représentés par les différentes hypothèses. La décision de détection peut être prise en comparant les résidus de reconstruction sous les différentes hypothèses. D'amples expériences ont été réalisées sur des images hyperspectrales, révélant que le modèle SRBBH montre une performance de détection exceptionnelle.