💥💥💞💞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
基于熵的凸集优化用于高光谱图像的空间-光谱端元提取
基于熵的凸集优化用于高光谱图像中的空间-光谱端元提取
摘要:
光谱解混是遥感高光谱数据利用中的一个重要问题。自动光谱解混可以看作是一个三阶段问题,第一阶段是子空间识别,下一个是端元提取,最后一个是丰度估计。在这个顺序中,端元提取是最具挑战性的问题。许多研究人员尝试仅使用光谱信息从高光谱图像中提取端元。然而,众所周知,包含空间信息可以改善端元提取任务。在本文中,我们介绍了一种利用光谱和空间信息的新端元提取算法。所提出的算法的一个主要创新是利用熵来利用空间信息,同时利用凸集优化来利用光谱信息。在文献中,没有一个空间-光谱算法使用熵作为空间信息。包含这种基于熵的空间信息可以提高端元提取过程的准确性。所提出的算法得到的结果(使用各种指标)与其他最先进方法得到的结果进行了比较,使用了合成和真实数据集。我们的实验结果表明,所提出的算法优于许多可用的算法。
遥感在地球科学、地理学、土地测量和火星探索等各种应用中被使用[1]。高光谱传感器通过从电磁谱中收集数百个(窄)波段的信息,为遥感领域开辟了新的途径。高光谱传感器在分析地质特征、土壤、植被和环境方面提供了精确和可靠的信息。航天和航空系统使用高光谱传感器进行许多不同的目的,包括目标检测、材料制图、材料识别和表面特性识别。然而,这些任务的准确性在很大程度上取决于捕获图像的空间分辨率。由于高光谱传感器的(通常较低的)空间分辨率,许多像素在性质上是混合的,即它们由多个纯光谱材料组成。形成混合像素的其他原因包括多次散射和材料的亲密混合[2]。这种混合可以是线性的或非线性的,取决于纯光谱特征(在高光谱成像术语中称为端元)在混合像素中是如何组合的。大多数作品假设线性混合模型,因为它是对实际应用的简单近似[2]。在这个模型中,端元的概念是一个关键方面,因为端元是纯材料的光谱特征,可以用来模拟(线性或非线性地)场景中的混合像素。
📚2 运行结果
部分代码:
%% Virtual Dimension
VD=12;
%% ECSO algorithm
[endmemberindex] = ECSO(Y,VD);
endmemberindex_ECSO=change_index(endmemberindex,p,q);
%% VCA algorithm
[U_VCA,e_index,snrEstimate]=hyperVca(Y,VD);
endmemberindex_VCA=change_index(e_index,p,q);
%% GT
t1=load('groundTruth_Cuprite_nEnd12.mat');
gt=t1.M;
tit=t1.cood;
n1=gt(3:103,:);
n2=gt(114:147,:);
n3=gt(168:220,:);
gt=[n1;n2;n3];
[gt_m,gt_n]=size(gt);
%% Total Spectral Angle Mapper (TSAM) calculations
for i=1:gt_n
for j=1:Bands
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。