这是第一篇博客,前两周开始接触高光谱图像处理中的目标检测,试着总结一下自己学习到的概念和算法。
1. Spectral Variability Models
一种物质理论上完全固定不变的光谱是不存在的,因为从一种物质中取得的样本不可能总是一模一样的。但是对不同样本测得的光谱特性是保持一致的,如下图:
一个确定的有K个波段的光谱曲线在K维空间中对应一个确定的向量(deterministic vector),同时采样得到的其他光谱向量(spectra with variability)会在此向量顶点周围形成一片云。主要有3个模型来描述光谱特性的这种变异性(variability)
1. 概率密度模型(probability density models)
认为光谱的variability是多变量正态分布的模型。
2. 子空间模型(subspace models)
光谱向量的顶点可能在在K维空间中任意一个位置。因此一个像素中亮度的变化会引起向量长度的改变,而向量的方向不改变。所以可以这样理解:亮度导致的variability是被局限在K维空间中一个一维子空间中。定义M维子空间 ,其中 M<K 。
观测到的一个光谱向量x的数学表达为: x=∑Nk=1aksk+w=Sa+w
假设条件: s