👨🎓个人主页:研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
给定高光谱混合像素矢量的光谱混合物分析(SMA)估计图像中端部的数量及其光谱特征和丰度分数。该文提出一种基于能量的凸集(ECS)算法,用于从高光谱数据中进行无监督端部提取。该算法使用带能和凸几何的概念来提取端部。该算法的优点是将波段能量的空间信息和凸度的光谱信息结合起来进行改进。对合成数据集和真实数据集的光谱角度误差、光谱信息发散和归一化互相关对所提算法和主流算法的性能进行了评估。从仿真结果可以看出,所提算法比其他主流算法具有可观的性能。
📚2 运行结果
部分代码:
for i=1:gt_n
%Energy
[max_value1,mrow]=min(Mat_SAM_Energy);
[max_value,col_Energy]=min(max_value1);
sam_total_Energy=sam_total_Energy+max_value;
sam_Energy=[sam_Energy;max_value];
row_Energy=mrow(col_Energy);
s1=[row_Energy,col_Energy];
store_Energy=[store_Energy;s1];
save_Energy(row_Energy)=max_value;
Mat_SAM_Energy(row_Energy,:)=[100*ones];
Mat_SAM_Energy(:,col_Energy)=[100*ones];
e_Energy(:,row_Energy)=extracted_Energy(:,col_Energy);
%VCA
[max_value1,mrow]=min(Mat_SAM_VCA);
[max_value,col_VCA]=min(max_value1);
sam_total_VCA=sam_total_VCA+max_value;
sam_VCA=[sam_VCA;max_value];
row_VCA=mrow(col_VCA);
s1=[row_VCA,col_VCA];
store_VCA=[store_VCA;s1];
save_VCA(row_VCA)=max_value;
Mat_SAM_VCA(row_VCA,:)=[100*ones];
Mat_SAM_VCA(:,col_VCA)=[100*ones];
e_VCA(:,row_VCA)=extracted_VCA(:,col_VCA);
end
s_E=store_Energy(2:end,:);
s_CM=store_VCA(2:end,:);
for i=1:gt_n
s_E(s_E(i,1),3)=s_E(i,2);
s_CM(s_CM(i,1),3)=s_CM(i,2);
end
rms_sae=[rms(save_Energy);
rms(save_VCA)];
rms_sae = radtodeg(rms_sae);
disp('RMSSAE of VCA');
disp(radtodeg(rms(save_VCA)));
disp('RMSSAE of Energy');
disp(radtodeg(rms(save_Energy)));
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]hah D., Zaveri T. (2020) Energy Based Convex Set Hyperspectral Endmember Extraction Algorithm. In: Nain N., Vipparthi S., Raman B. (eds) Computer Vision and Image Processing. CVIP 2019. Communications in Computer and Information Science, vol 1147. Springer, Singapore