高光谱图像中的目标探测(三) | 正交子空间投影和CEM方法(约束能量最小化)的比较研究
2017-03-20 22:10
246 查看
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。
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:
r=dαd+UαU+n(2)
α表示丰度,不再赘述。在白噪声的假设下,OSP分类器的projectorPOSP为
POSP<
d2a8
/span>=P1/Ud(3)
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。
参考文献:
A Comparative Study for Orthogonal Subspace Projection and Constrained Energy Minimization
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:
r=dαd+UαU+n(2)
α表示丰度,不再赘述。在白噪声的假设下,OSP分类器的projectorPOSP为
POSP<
d2a8
/span>=P1/Ud(3)
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
相关文章推荐
- 红外目标图像中阈值分割方法的比较与研究
- 红外目标图像中阈值切割方法的比較与研究
- 基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax (准确率比较低,17年的论文)
- 高光谱遥感图像空谱联合分类方法研究--基于光谱,空间,空谱的DBN+LR
- 高光谱遥感影像分类研究进展 --- (15年论文,方法主要是常规处理,但是写的比较细)
- C# 三种图像处理方法 耗时比较
- 新闻上的文本分类:机器学习大乱斗 王岳王院长 王岳王院长 5 个月前 目标 从头开始实践中文短文本分类,记录一下实验流程与遇到的坑 运用多种机器学习(深度学习 + 传统机器学习)方法比较短文本分类处
- 【OpenCV】图像特征的提取以及相似性比较方法
- 【VBA研究】用VBA取得EXCEL有效行列数方法比较
- 高光谱图像中的目标检测(二)| 稀疏表示与学习字典
- 基于PCA和SVM的高光谱遥感图像分类研究
- 推荐一篇博士论文-基于稀疏编码的视觉目标跟踪方法研究
- 图像透明拷贝--不同方法的效率比较
- 图像识别中目标分割、目标识别、目标检测和目标跟踪方法
- 笔记 动态图像目标跟踪算法研究
- 基于高维视觉特征模型的目标图像检测与图像分割技术研究---论文摘录
- C#图像处理之图像目标质心检测的方法
- 视频图像数据采集方法研究
- 视频图像分割研究与实现(二):常见图像和视频分割方法概述
- 数字图像处理的研究方法