Bayesian nonlinear hyperspectral unmixing with spatial residual component analysis
提出了一种新的高光谱图像非线性混合分解的贝叶斯模型和算法。提出的模型表示像素反射率的线性组合的端元，损坏的非线性（相对于端元）条款和加性高斯噪声。先验知识的问题是嵌入在一个层次模型，描述了模型参数和它们的约束之间的依赖结构。特别是，伽马马尔可夫随机场被用来模拟的联合分布的非线性项，预计将表现出显着的空间相关性。然后提出了一种自适应马尔可夫链蒙特卡罗算法来计算感兴趣的贝叶斯估计和执行贝叶斯推断。该算法配备了随机优化自适应机制，通过最大边际似然估计自动调整伽玛马尔可夫随机场的参数。最后，所提出的方法证明了通过一系列的实验与比较，使用合成和真实的数据，并与竞争国家的最先进的方法。
2015-10-05 stat.ME
Fast Hyperspectral Unmixing in Presence of Nonlinearity or Mismodelling Effects
本文提出了两种新的高光谱混合模型和相应的解混算法。这两个模型假设一个线性混合模型损坏的添加剂项，其表达式可以适应多个散射非线性（NL），或错误建模的影响（ME）。NL模型通过考虑高阶相互作用项来推广双线性模型。ME模型考虑了不同的效应，如端元变异性或离群值的存在。这些模型的丰度和残差参数估计考虑一个凸制定适合于快速估计算法。该公式考虑了诸如丰度的和为一和非负性、非线性系数的非负性、ME项的谱平滑性和残差的空间稀疏性等约束。由此产生的凸问题求解交替方向法的乘法器（ADMM），其收敛性从理论上保证。所提出的混合模型及其解混算法的合成和真实图像上进行验证，显示竞争的结果相比，国家的最先进的算法的质量的推理和计算复杂性。
2016-07-18 stat.CO
Multiplicative Errors-in-Variables Models for Hyperspectral Unmixing
Duke University（杜克大学）
针对高光谱解混中加性误差模型置信区间覆盖缺陷，提出分层贝叶斯乘法EIV模型，其置信区间随信号幅度比例缩放，在多数据集上覆盖效果优于标准模型且重构误差相当或更优。
2026-08-03 stat.ME
Nonlinear unmixing of hyperspectral images: models and algorithms
在地球科学和图像处理领域，大多数文献在考虑高光谱图像的解混问题时，都依赖于广泛使用的线性混合模型（LMM）。然而，LMM可能是无效的，需要考虑其他非线性模型，例如，当有多散射效应或密切的相互作用。因此，在过去几年中，已经提出了一些重要的贡献，以克服LMM中固有的局限性。在本文中，我们提出了一个非线性解混合模型的最新进展的概述。
2013-07-18 physics.data-an stat.AP stat.ME
Blind and fully constrained unmixing of hyperspectral images
本文研究了高光谱图像的盲解混和全约束解混问题。解混是在不使用任何字典的情况下执行的，并且假设场景中的组成材料的数量及其光谱特征是未知的。估计的丰度满足所需的总和为一和非负约束。两个模型越来越复杂的开发，以实现这一具有挑战性的任务，这取决于噪声如何与高光谱数据相互作用。第一个问题是一个凸优化问题，用交替方向乘子法求解。第二个占信号相关的噪声，并解决了一个重新加权最小二乘算法。在合成数据和真实数据上的实验证明了该方法的有效性。
2014-03-03 stat.AP stat.ML
Hyperspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches
成像光谱仪测量在其瞬时视场中散射的电磁能量，具有比多光谱相机更高的光谱分辨率，具有数百或数千个光谱通道。因此，成像光谱仪通常被称为高光谱相机（HSC）。更高的光谱分辨率可以通过光谱分析进行材料识别，这有助于在不适合经典光谱分析的情况下识别材料的无数应用。由于HSC的低空间分辨率、微观材料混合和多重散射，由HSC测量的光谱是场景中材料光谱的混合。因此，准确的估计需要解混。像素被假定为几种材料的混合物，称为端元。解混涉及估计全部或部分：端元的数量，它们的光谱特征，以及它们在每个像素的丰度。由于模型不准确、观测噪声、环境条件、端元变异性和数据集大小等因素，解混是一个具有挑战性的不适定逆问题。研究人员已经设计并研究了许多模型，以寻找鲁棒、稳定、易处理和准确的解混算法。本文概述了从Keshava和Mustard的解混教程[1]到现在的解混方法。首先讨论混合模型。信号子空间，几何，统计，稀疏性为基础的，和空间上下文解混算法进行了说明。描述了数学问题和潜在的解决方案。算法特性的实验说明。
2012-04-24 math.OC physics.data-an stat.AP
Hyperspectral unmixing with spectral variability using adaptive bundles and double sparsity
光谱变异性是进行高光谱解混时的主要问题之一。在由一些基本材料（本文中称为端元类）组成的给定图像内，表征这些类的光谱特征可能由于内在组分波动或外部因素（照明）而在空间上变化。这些冗余的多个端元光谱内的每个类的分解方法的性能产生不利影响。本文提出了一种混合模型，明确地采用了层次结构的冗余多光谱代表每个类。所提出的方法的目的是促进稀疏的光谱和类内每个像素的选择。由此产生的解混算法是能够自适应地恢复与每个类和鲁棒估计丰度的端元光谱的几束。此外，它的灵活性允许可变数量的类内存在的每个像素的高光谱图像被解混。所提出的方法相比，与其他国家的最先进的解混方法，将稀疏使用模拟和真实的高光谱数据。结果表明，所提出的方法可以成功地确定可变数量的类内存在的每个类，并估计相应的类丰度。
2018-04-30 eess.IV physics.data-an stat.ML
Nonlinear unmixing of hyperspectral images using a semiparametric model and spatial regularization
由于高光谱场景中固有的空间-光谱二元性，将空间信息转换为高光谱解混程序已被证明具有积极的效果。目前考虑空间信息的研究工作主要集中在线性混合模型上。在本文中，我们研究了一种变分方法，将空间相关性的非线性分解过程。一个非线性算法操作再生核希尔伯特空间，与$\ell_1$局部变化范数的空间正则化，推导。仿真和实际数据的实验结果表明了该方法的有效性。
2013-10-31 stat.ML
Correntropy Maximization via ADMM - Application to Robust Hyperspectral Unmixing
Institut Charles Delaunay (CNRS), Université de Technologie de Troyes（特鲁瓦技术大学，夏尔·德洛内研究所（法国国家科学研究中心））；School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦特大学，工程与物理科学学院）；LITIS lab, Université de Rouen（鲁昂大学，LITIS实验室）
在高光谱图像中，一些光谱波段由于噪声采集和大气影响而遭受低信噪比，因此需要鲁棒的技术来解决混合问题。提出了一种稳健的高光谱图像监督光谱分解方法。鲁棒性是通过将解混问题写为受最常用约束的相关熵准则的最大化来实现的。推导出两个解混合问题：第一个问题考虑完全约束解混合，具有非负性和和对一约束，而第二个问题处理丰度的非负性和稀疏性提升。相应的优化问题有效地解决了交替方向的乘法器（ADMM）的方法。合成和真实高光谱图像上的实验验证了所提出的算法在不同场景下的性能，表明基于相关性的解混对离群波段具有鲁棒性。
2016-02-04 cs.CV cs.NE stat.ML
Nonlinear hyperspectral unmixing with robust nonnegative matrix factorization
本文介绍了一种鲁棒混合模型来描述由几个纯光谱特征混合而成的高光谱数据。这种新的模型不仅推广了常用的线性混合模型，而且还允许可能的非线性效应很容易处理，依赖于温和的假设，这些非线性。标准的非负性和总和为一的限制，固有的频谱分解加上一组稀疏的非线性组件上施加的约束。这导致一种新形式的鲁棒非负矩阵分解。数据保真度项被表示为β-散度，这是一个连续的相异性测度族，将平方欧几里德距离和广义库尔贝克-莱布勒散度作为特例。惩罚的目标是最小化的块坐标下降，涉及优化最小化更新。仿真结果表明，所提出的策略与国家的最先进的线性和非线性解混方法。
2014-03-06 stat.ME stat.ML
Low-rank and Sparse NMF for Joint Endmembers' Number Estimation and Blind Unmixing of Hyperspectral Images
IAASARS, National Observatory of Athens（雅典国家天文台 IAASARS）
在高光谱解混过程中，估计场景中存在的端元数目是一项关键任务。该估计的准确性在随后的无监督解混步骤中起着至关重要的作用，即，端元的光谱特征的推导（端元提取）和像素的丰度分数的估计。在文献中广泛遵循的一种常见做法是将端元的数量估计和解混独立地作为两个单独的任务处理，将前者的结果作为后者的输入。在本文中，我们超越了这种计算要求高的策略。更准确地说，我们提出了一个多约束优化框架，它封装在一个单一的任务端成员的数量估计和无监督解混。这是通过适当制定的问题，通过一个低秩和稀疏的非负矩阵因式分解的理由，其中低秩是促进与使用一个复杂的$\ell_2/\ell_1$规范惩罚项。然后提出了一种交替邻近算法，以最小化新兴的成本函数。仿真和实际数据实验结果验证了该方法的有效性。
2017-03-16 cs.CV stat.ML
Semiblind Hyperspectral Unmixing in the Presence of Spectral Library Mismatches
字典辅助稀疏回归（SR）方法最近出现作为一个有前途的替代高光谱分解（HU）在遥感。通过使用可用的光谱库作为字典，SR方法通过选择字典中的光谱样本的小子集来表示整个图像，从而识别给定高光谱图像中的底层材料。当前SR发展的缺点是场景中的实际光谱签名通常被假设为其对应的字典样本具有零失配，并且这种假设在实践中被认为太理想。在本文中，我们提出了一个字典调整的非凸稀疏鼓励回归（DANSER）框架来解决光谱签名失配问题。其主要思想是将字典校正变量在SR制定。针对DANSER的实际实现，设计了一种简单且每次迭代复杂度低的算法。利用相同的字典校正思想，我们还提出了一个强大的子空间解决方案的字典修剪。大量的仿真和实际数据实验表明，所提出的方法是有效的，在减轻不良的光谱特征失配的影响。
2015-07-07 stat.ML
Ground Truth Simulation for Deep Learning Classification of Mid-Resolution Venus Images Via Unmixing of High-Resolution Hyperspectral Fenix Data
Technion Israel Institute of Technology（以色列理工学院）；Bar-Ilan University（巴伊兰大学）
由于缺乏足够的实地数据，训练用于分类的深度神经网络构成了遥感领域的一个主要问题。通过人工判读获取高分辨率真值（GT）既成本低又不一致。相反，我们建议利用高分辨率的高光谱图像来解决这个问题，通过分解这些图像来获得可靠的GT来训练深度网络。具体来说，我们模拟GT从高分辨率，高光谱FENIX图像，并使用它来训练卷积神经网络（CNN）基于像素的分类。我们展示了如何将模型成功地转移到新的中分辨率VENUS图像分类。
2019-11-24 cs.CV cs.LG cs.NE
On Hyperspectral Unmixing
在这篇文章中，作者回顾了José Bioucas-Dias对高光谱解混（HU）的主要贡献，以纪念他作为一位有影响力的学者和他的许多美丽的想法介绍给高光谱社区。我们的故事将从顶点分量分析（VCA）开始-最着名的HU算法之一，有超过2，000个Google Scholar引用。VCA是开创性的，在HU研究刚刚开始出现的时候发明的，它显示了对当时不太了解的主题的敏锐见解。然后我们将转向SISAL，另一种广泛使用的算法。SISAL不仅是一个非常成功的算法，它也是其发明者的独创性的应用优化和智能制定的实际噪声情况下的示范。我们的旅程将以依赖成分分析（DECA）结束，这可能是一个不太知名的贡献。DECA采用了统计推断框架，作者的最新研究表明，这种框架具有很大的发展潜力，例如，西萨和迪卡之间有隐藏的联系在这方面，能源和农业部的发展显示了未来几年的远见。
2021-06-27 eess.SP stat.ML
Self-Dictionary Sparse Regression for Hyperspectral Unmixing: Greedy Pursuit and Pure Pixel Search are Related
本文考虑了最近出现的高光谱解混配方的基础上稀疏回归的自字典多测量向量（SD-MMV）模型，其中测量的高光谱像素被用作字典。在纯像素假设下操作，这种SD-MMV形式主义是特殊的，因为它允许同时识别端元光谱特征和端元的数量。以前的SD-MMV研究主要集中在凸松弛。在这项研究中，我们探讨了贪婪追求的替代方案，它通常提供了高效和简单的算法。特别是，我们设计了一个贪婪的SD-MMV算法使用同时正交匹配追踪。有趣的是，所提出的贪婪算法被证明是密切相关的一些现有的纯像素搜索算法，特别是，连续投影算法（SPA）。因此，SD-MMV和纯像素搜索之间的联系被揭示出来。然后，我们进行精确的恢复分析，并证明所提出的贪婪算法是强大的噪声-包括其识别的（未知）数量的端元-在一个足够低的噪声水平。通过仿真实验和实际数据实验验证了该算法的辨识性能。
2015-03-03 cs.IT math.IT math.OC
Simultaneously sparse and low-rank abundance matrix estimation for hyperspectral image unmixing
National Observatory of Athens（雅典国家天文台）
在处理逆问题的大量应用中，例如在图像处理、社交网络、压缩感测、生物数据处理等中，已知感兴趣的信号同时以几种方式构造。这一前提最近引导研究的创新和有意义的想法施加多重约束的参数所涉及的问题正在研究中。例如，当处理其参数形成稀疏和低秩矩阵的问题时，采用施加稀疏性和低秩的适当组合的约束，预期会产生显著增强的估计结果。在本文中，我们解决的光谱分解问题，在高光谱图像。具体而言，两种新的解混算法的介绍，试图利用空间相关性和稀疏表示的像素躺在均匀区域的高光谱图像。为此，首先定义了一种新的凸混合惩罚项，其由对应于由滑动方窗确定的图像的小区域的丰度矩阵的加权$\ell_1$和加权核范数的和组成。这个惩罚项，然后使用常规的二次成本函数，并同时施加稀疏性和行秩的丰度矩阵。得到的正则化成本函数最小化a）增量近端稀疏和低秩解混算法和b）基于交替最小化乘法器（ADMM）的算法。在模拟和真实数据上进行的实验表明，所提出的算法的有效性。
2015-10-14 cs.CV math.OC stat.ML
Identifiability of the Simplex Volume Minimization Criterion for Blind Hyperspectral Unmixing: The No Pure-Pixel Case
针对无纯像素场景下盲高光谱解混的MVES方法理论机制不明的问题，本文构建分析框架证明其在像素不过度混合、分布不过于不对称时具备端元可辨识鲁棒性，并通过数值模拟验证了理论结果。
2015-02-26 cs.IT math.IT math.OC
Kernel Nonnegative Matrix Factorization Without the Curse of the Pre-image - Application to Unmixing Hyperspectral Images
Institut Charles Delaunay (CNRS)（查尔斯·德洛奈研究所（法国国家科学研究中心））；Université de Technologie de Troyes（特鲁瓦技术大学）；LITIS lab（LITIS实验室）；Université de Rouen（鲁昂大学）；Centre de Recherche en Automatique de Nancy (CNRS)（南锡自动化研究中心（法国国家科学研究中心））；Université de Lorraine（洛林大学）
非负矩阵分解（NMF）在信号和图像处理中有着广泛的应用，包括生物信息学、盲声源分离和遥感高光谱图像分析等。一个很大的挑战时，出现处理的非线性制定的NMF。在核机器的框架内，在文献中提出的模型不允许表示的分解矩阵，这是一个辐射的诅咒的前图像。在本文中，我们提出了一种新的基于核的模型的NMF，不受前像的问题，通过直接在输入空间中调查的分解矩阵的估计。对于不同的核函数，我们描述了两个计划的迭代算法：添加剂更新规则的基础上的梯度下降计划和乘法更新规则在相同的精神，在李和Seung算法。在建议的框架内，我们开发了几个扩展，将约束，包括稀疏性，平滑性和空间正则化与总变差一样的惩罚。所提出的方法的有效性证明了解混高光谱图像的问题，使用著名的真实图像和结果与国家的最先进的技术。
2016-03-27 cs.CV cs.IT cs.LG
Inertia-Constrained Pixel-by-Pixel Nonnegative Matrix Factorisation: a Hyperspectral Unmixing Method Dealing with Intra-class Variability
IRAP（天体物理与行星学研究所）；Toulouse University（图卢兹大学）；ONERA The French Aerospace Lab（法国航空航天实验室（ONERA））
盲源分离是分析高光谱图像像元构成的常用处理工具。这种方法通常假设纯像素光谱（端元）是相同的，在所有的图像中的每一类材料。在遥感的框架内，这样的假设是没有更有效的类内变量的存在下，由于光照条件，风化，纯材料的轻微变化，等等。在本文中，我们首先描述的调查结果，突出类内的变化，在真实的图像测量。考虑到这些结果，一个新的配方的线性混合模型，导致两个新的方法。无约束逐像素NMF（UP-NMF）是一种基于线性混合模型假设的盲源分离新方法，能够处理类内变异性。为了克服UP-NMF的局限性，提出了一种扩展方法，称为惯性约束逐像素NMF（IP-NMF）。对于每个感测到的频谱，NMF的这些扩展版本提取对应的源频谱集合。在IP-NMF算法中，对每个信源的估计值的扩展进行了限制。该方法进行了测试，建立一个半合成的数据集，从一个真正的高光谱图像中提取的光谱，然后数值混合。因此，我们证明了我们的方法对现实源变量的兴趣。最后，IP-NMF在一个真实的数据集上进行了测试，结果表明，它比最先进的方法产生更好的性能。
2017-02-24 cs.CV physics.data-an stat.ME
