本文比较研究了HSI中用于检测和分类的两个经典算法:Orthogonal subspace projection (OSP) 和 Constrained energy minimization (CEM)算法。
1. 介绍
线性解混通过将一个HSI中的像素表示为有限个端元的线性组合进行检测和分类。解混像元并找到端元对应的丰度值。有几种方法:奇异值分解(SVD)、子空间投影、最大似然法等等。这些模型都需要知道图像中端元的完整信息。实际情况中是没有这些先验信息的。因此,CEM算法被提出来解决这个问题。CEM算法只需要预先知道desired image endmembers, 不需要知道所有的端元信息。
OSP算法的数学模型:
r=Sα+n
(1)
像素向量r, S是
K×p
维光谱特征矩阵,
si
是第i个端元谱特征;
α=[α1,α2,…,αp]T
是
p×1
丰度矩阵。 n是
K×1
向量,表示噪声或者模型误差。OSP模型中光谱特征矩阵S又被分为两部分,desired signature of interest d和undesired signature matrix U。假设
s1
是d,剩下的
[s2,s3,…,sp]
是U,i.e. S = [dU], 式 (1) 可以写做:
α表示丰度,不再赘述。在白噪声的假设下,OSP分类器的projector POSP 为
其中 P1/U=I−U(UTU)−1UT
在一些情况下我们只对某个特定的目标感兴趣,而且此时只有目标的光谱特性是已知的。CEM算法就是用来对付这样的问题的。有限冲激响应滤波器,没有线性组合的模型或者噪声模型。
一个理想的滤波器w 可以最小化能量并且满足限制条件
wTd=1
。
CEM一般在消除不确定信号源和压缩噪声上会优于OSP,但是CEM算法对已知的光谱特性d很敏感,稍微不同的会被认为是undesired或者unknown。解决办法1:找到d基于一个较大样本的表示;2计算
R−1r
时只取Rr中部分特征值和特征向量。
2. OSP和CEM之间的关系
噪声是白噪声且SNR比较大时,CEM和OSP算法是非常接近的。通过data whitening可以提高OSP的表现。
参考文献:
A Comparative Study for Orthogonal Subspace Projection and Constrained Energy Minimization