基于超像素的高光谱图像噪声鲁棒稀疏解混
摘要:
高光谱图像稀疏解混(SU)是一种半监督方法,其目标是找到预先已知的光谱库的最优子集来表示高光谱图像中的每个像素。然而,现有的SU方法大多不能充分利用HSI中的空间信息和混合噪声。为此,我们提出了一种混合噪声下基于超像素的噪声鲁棒SU方法(SNRSU)。首先,我们对HSI的第一主成分进行超像素分割(SS)以提取均匀区域。然后,在最大后验框架下,基于稀疏表示(SR)和低秩表示(LRR)对每个超像素进行解混,充分利用复杂混合噪声下HSI的空间光谱信息。在模拟和真实HSI数据集上的大量实验证实了所提出的SNRSU在定性和定量上的优越性能。
背景:
稀疏解混(SU)作为一种半监督方法,旨在将混合像素表示为大谱库中少量端元的线性组合。因此,丰度应该是稀疏的。为了探索HSI的稀疏特性,主要有四组方法,即贝叶斯方法[2],[3],贪婪算法[4],[5],凸/非凸松弛方法[6]-[9],多目标优化方法[10],[11]和库修剪方法[12],[13]。贝叶斯方法从概率的角度对SU问题进行建模。例如,提出了一种层次贝叶斯方法来考虑丰度[2]的稀疏性和非负性。贪婪算法的目标是从谱库中迭代选择端元,最大程度地改善了混合像素的重建。例如,针对HSI的SU,提出了一种子空间匹配追踪(SMP)方法