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
来源:互联网 发布:续命八丸 知乎 编辑:程序博客网 时间:2024/06/05 10:54
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。
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:
像素向量r, S是
α表示丰度,不再赘述。在白噪声的假设下,OSP分类器的projector
其中
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
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
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
- 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
- 高光谱图像中的目标检测(一)
- 基于主动学习的高光谱图像分类方法研究
- 高光谱图像中的目标检测(二)| 稀疏表示与学习字典
- 高光谱图像选择波段的研究
- 子空间与正交投影
- 子空间与正交投影
- 高光谱图像分类(三)分类流程
- 基于PCA和SVM的高光谱遥感图像分类研究
- 光谱空间特征提取用来高光谱图像分类:维度约减和深度学习方法
- 高光谱图像分类(一)入门
- 使用深卷积神经网络的高光谱图像的光谱空间分类
- 投影中的正交和透视
- 线性代数 -- 子空间的投影(一)
- 线性代数 -- 子空间的投影(二)
- 高光谱图像处理和分析
- 高光谱遥感图像处理(9)-----ENVI使用教程之光谱曲线界面修改
- 高维空间中的高斯分布和随机投影
- cin输入流的中要注意点
- Java Web基础——Action+Service +Dao三层的功能划分
- uva10003
- session和cookie的内部原理
- 网络层和传输层的区别
- 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
- 使用“一条”SQL语句完成批量插入和批量删除操作
- guetzli 测试
- POJ 1979
- mysql的主从配置及读写分离配置
- 我的第一个MVC程序
- CentOS 7系统环境中安装Memcached,并连接
- Linux下安装hadoop
- Android爱读app开发记录之二---书架界面