Interpretable Hyperspectral Unmixing Framework with Fixed Endmember Prior and Structured Residual Refinement
School of Mathematics and Computational Science, Xiangtan University(湘潭大学数学与计算科学学院)
提出可解释分阶段高光谱解混框架I-HyperSU,在固定端元先验下通过软丰度松弛和结构化残差细化,显著降低重建误差并保持丰度精度。
2026-09-09 cs.CV
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
Hyperspectral Data Unmixing Using GNMF Method and Sparseness Constraint
Tarbiat Modares University(塔比亚特莫达雷斯大学)
由于高光谱传感器的低空间分辨率,高光谱图像包含混合像素。混合像素是包含多个不同材质(称为端元)的像素。混合像元中端元的存在百分比称为丰度分数。光谱解混问题是指将这些像元分解成一组端元和丰度分数。由于丰度分数的非负性约束,非负矩阵分解方法(NMF)被广泛用于解决光谱分解问题。本文采用带稀疏约束的图正则化(GNMF)方法对高光谱数据进行解混。该方法应用于AVIRIS Indian Pines数据集和USGS库的模拟数据,并基于AAD和SAD度量对结果进行量化。实验结果表明,该方法能更有效地对混合数据进行分解。
2013-06-29 cs.CV
Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing
German Aerospace Center (DLR)(德国航空航天中心);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院);The University of Tokyo(东京大学);RIKEN Center for Advanced Intelligence Project (AIP)(理化学研究所先进智能项目中心)
在过去的几十年里,人们已经做出了巨大的努力,以提高性能的线性或非线性混合模型的高光谱解混,但他们的能力,同时概括各种光谱变异和提取物理意义的端元仍然是有限的,由于在数据拟合和重建的能力差和各种光谱变异的敏感性。受深度学习强大的学习能力的启发,本文试图通过充分考虑从高光谱图像中提取的端元的性质,开发一种通用的高光谱解混深度学习方法--端元引导解混网络(EGU-Net)。除了单独的自动编码器式架构之外,EGU-Net是一个双流连体深度网络,它从纯或接近纯的端元学习额外的网络,以通过共享网络参数和添加频谱有意义的约束(例如,非负性和和为一)朝向更准确和可解释的解混解决方案。此外,所得到的一般框架不仅限于逐像素的光谱解混,但也适用于空间信息建模与卷积算子的空间-光谱解混。在三个不同的数据集上进行的实验结果与对应于每种材料的丰度图的地面实况证明了EGU-Net的有效性和优越性,超过了最先进的解混算法。这些代码可从以下网站获得:https://github.com/danfenghong/IEEE_TNNLS_EGU-Net。
2021-05-21 cs.CV eess.IV
Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers
Ontario Tech University(安大略技术大学)
本文提出LDVAE-T模型,通过结合变换器和狄利特雷先验,改进超光谱解混中成分估计和端成员提取的性能。
2025-11-21 cs.CV
Improved Hyperspectral Unmixing With Endmember Variability Parametrized Using an Interpolated Scaling Tensor
Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
端元(EM)变异性对高光谱图像(HI)分析算法的性能有重要影响。最近,扩展的线性混合模型已被提出来考虑EM的光谱分解(SU)问题的变化。这些模型的直接使用导致了严重不适定的优化问题。不同的正则化策略已被认为是处理这个问题,但到目前为止,没有一贯利用多个纯像素的存在提供的信息,往往存在于HI。在这项工作中,我们建议将SU问题分解为两个问题的序列。首先,我们使用纯像素信息来估计表示光谱变化的缩放因子的插值张量。这是通过将谱可变性视为HI上的平滑函数并将标度张量的能量限制在低秩结构来完成的。之后,我们解决了一个矩阵分解问题,使用上一步中估计的变异性比例因子来估计分数丰度,这导致了一个明显更适定的问题。仿真结果证明了该策略的有效性.
2019-01-02 cs.CV
Diffusion Posterior Sampler for Hyperspectral Unmixing with Spectral Variability Modeling
Department of Geomatics Engineering, University of Calgary, Calgary, Canada(测绘工程系,卡尔加里大学,卡尔加里,加拿大)
DPS4Un通过扩散后验采样器和超像素技术,改进超光谱解混中的光谱变异性建模。
2025-12-10 cs.CV
Semi-Supervised Endmember Identification In Nonlinear Spectral Mixtures Via Semantic Representation
University of Massachusetts(马萨诸塞大学)
本文提出了一种新的高光谱解混方法,非线性混合高光谱数据使用的语义表示在半监督的方式,假设光谱参考库的可用性。现有的半监督解混算法从端元库中选择存在于每个像素处的成员;大多数这样的方法假设线性混合模型。然而,这些方法将失败的非线性混合观测光谱之间的存在。为了解决这个问题,我们开发了一个端元选择方法,使用最近提出的语义光谱表示通过非齐次隐马尔可夫链(NHMC)模型的小波变换的光谱。语义表示可以编码光谱判别功能的任何观察到的光谱,因此,我们提出的方法可以进行端元选择,而无需任何假设的混合模型。实验结果表明,在充分非线性混合的存在下,我们提出的方法优于基于字典的稀疏解混方法的基础上的线性模型。
2017-01-03 cs.CV
EndNet: Sparse AutoEncoder Network for Endmember Extraction and Hyperspectral Unmixing
TUBITAK Space Technologies Research Institute(土耳其科学技术研究理事会空间技术研究所);Middle East Technical University(中东技术大学)
从多通道传感器获得的数据是解释各种遥感应用的环境的非常宝贵的资产。然而,低空间分辨率是以前的传感器的一个关键限制,并且由于它们的空间相互作用,场景的组成材料可以在不同的部分中混合。光谱解混是一种能够从高光谱数据中获取物质光谱特征及其分数的技术。在本文中,我们提出了一种新的端元提取和高光谱解混方案,所谓的\textit{EndNet},这是基于一个两级自动编码器网络。通过引入附加层和投影度量(即,光谱角距离(SAD)而不是内积)来获得最优解。此外,我们提出了一种新的损失函数,它是由一个Kullback-Leibler发散项与SAD相似性和额外的惩罚条款,以提高估计的稀疏性。这些修改使我们能够为自编码器网络设置端元的共同属性,例如非线性和稀疏性。最后,由于基于随机梯度的方法,该方法对于大规模数据是可扩展的,并且可以在图形处理单元(GPU)上加速。为了证明我们所提出的方法的优越性,我们进行了广泛的实验上几个知名的数据集。结果证实,所提出的方法大大提高了性能相比,在文献中的国家的最先进的技术。
2018-07-16 cs.CV
Residuum-Condition Diagram and Reduction of Over-Complete Endmember-Sets
University of Siegen(锡根大学)
从给定的多光谱或高光谱图像中提取参考光谱或端元(EM)以及估计EM集合的大小在多光谱图像处理中起着重要作用。在本文中,我们提出了条件剩余图。通过绘制从解混和重建产生的残差以及各种EM集的条件数,得到的图提供了对在不同量的端元(EM)下的光谱解混的行为的洞察。此外,我们利用条件剩余图实现EM约简算法,该算法从最初提取的过完备EM集开始。过完备EM集通常表现出良好的解混结果,即较低的重构残差,但由于其部分冗余,解混在数值上变得不稳定,即解混丰度值较不可靠。我们的贪婪减少方案通过减少条件数来提高EM集,即提高集合的稳定性,同时保持尽可能低的重建误差。得到的集合序列给出了最优EM集合及其大小的提示。我们证明了我们的条件残差图和减少计划的好处,研究数据集与已知的参考EM集大小为几个著名的EE算法。
2018-09-26 cs.CV
Deep Generative Endmember Modeling: An Application to Unsupervised Spectral Unmixing
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);Northeastern University(东北大学);Catholic University of Pelotas(佩洛塔斯天主教大学)
端元(EM)光谱变异性会极大地影响标准高光谱图像分析算法的性能。扩展的参数模型已成功地应用到占的EM光谱的变化。然而,这些模型仍然缺乏灵活性和低维表示之间的妥协,这是必要的,以适当地探索的事实,光谱变化往往局限于一个低维流形在真实场景中。在本文中,我们提出了学习光谱变异模型直接从观测数据,而不是强加给它\emph{a priori}。这是通过使用变分自编码器(VAE)估计的深度生成EM模型来实现的。组成生成模型的编码器和解码器使用直接从观察到的图像中提取的纯像素信息进行训练,这允许无监督的制定。所提出的EM模型被应用到光谱解混问题的解决方案中,我们将其转换为交替的非线性最小二乘问题,该问题相对于深度生成模型的潜在空间中的EM的丰度和低维表示迭代求解。使用合成和真实数据的仿真表明,该策略可以优于竞争国家的最先进的算法。
2019-11-21 cs.CV
Nonparametric Detection of Nonlinearly Mixed Pixels and Endmember Estimation in Hyperspectral Images
Université de Toulouse, IRIT/INP-ENSEEIHT/TéSA(图卢兹大学);Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
高光谱图像中的混合现象取决于多种因素,例如观测设备的分辨率、材料的性质以及这些材料如何与场景中的入射光相互作用。不同的参数和非参数模型已被认为是解决高光谱解混问题。最简单的是线性混合模型。然而,已经认识到混合现象也可以是非线性的。相应的非线性分析技术必然比线性分解技术更具挑战性和复杂性。在这种情况下,在分析之前检测图像中的非线性混合像素,然后采用最简单的解混技术来分析每个像素是有意义的。在本文中,我们提出了一种检测非线性混合像素的技术。检测方法是基于使用高斯过程回归模型和线性回归模型的重建误差的比较。这两个错误被组合成一个检测统计,概率密度函数可以合理地近似。我们还提出了一个迭代端元提取算法与检测算法相结合。建议的检测,然后,Unmix策略,其中包括提取端元,检测非线性混合像素和unmixing,测试与合成和真实图像。
2015-03-18 cs.CV
Sparsity Constrained Graph Regularized NMF for Spectral Unmixing of Hyperspectral Data
由于高光谱传感器的空间分辨率较低,高光谱图像包含混合像素。混合像素是包含多个不同材质(称为端元)的像素。混合像元中端元的存在百分比称为丰度分数。光谱解混问题是指将这些像元分解成一组端元和丰度分数。由于丰度分数的非负性约束,非负矩阵分解方法(NMF)被广泛用于解决光谱分解问题。本文采用图正则化NMF(GNMF)方法结合稀疏约束对高光谱图像混合像元进行分解。该方法在保持数据几何结构的同时,将其表示在低维空间中。对于稀疏项,本文还采用了模拟退火算法中基于温度的自适应正则化参数。该算法适用于合成和真实数据集。合成数据是基于来自USGS光谱库的端元生成的。AVIRIS Cuprite数据集用作评价所提出方法的真实数据集。基于光谱角距离(SAD)和丰度角距离(AAD)测量结果进行量化。实验结果表明,该方法能更有效地对混合数据进行分解。特别是对于Cuprite数据集,所提出的方法的性能在SAD的均方根方面比VCA和稀疏NMF好大约10%。
2014-11-03 cs.CV
Robust Hyperspectral Unmixing with Correntropy based Metric
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
高光谱解混是高光谱应用的关键步骤之一。在端元和丰度都未知的无监督工作环境中,高光谱解混问题已被证明是一项艰巨的任务。更重要的是,这个任务变得更具挑战性的情况下,频谱带退化的噪声。本文提出了一种鲁棒的非监督高光谱解混模型。具体来说,我们的模型是开发与相关熵为基础的度量,其中的非负约束端元和丰度施加保持物理意义。此外,稀疏事先明确制定约束的丰度分布的每个端元。为了解决我们的模型,一个半二次优化技术的开发,将原来复杂的优化问题转化为一个迭代重新加权稀疏约束的NMF。因此,我们的模型的优化可以自适应地分配小的权重到噪声带,并给予更多的重视,无噪声带。此外,通过稀疏性约束,我们的模型可以自然地生成稀疏丰度。合成和真实数据上的实验证明了我们的模型的有效性相比,相关的国家的最先进的混合模型。
2013-05-31 cs.CV
Hyperspectral Unmixing Under Endmember Variability: A Variational Inference Framework
The Chinese University of Hong Kong(香港中文大学);Oregon State University(俄勒冈州立大学)
本文提出一种变分推断框架,用于处理端元变异下的高光谱解混,采用分块静态端元假设和连续优化更新,并通过多种实验验证其有效性。
2024-07-20 cs.CV cs.LG
Unmixing urban hyperspectral imagery with a Gaussian mixture model on endmember variability
University of Florida(佛罗里达大学);University of California Santa Barbara(加州大学圣巴巴拉分校)
在本文中,我们的模型作为一个线性组合的端元采样的高斯混合模型(GMM)的概率分布的像素。GMM分布的参数估计使用频谱库。根据分布参数估计丰度。该算法的优点是模型大小作为库大小的函数增长非常缓慢。为了验证这种方法,我们使用的AVIRIS传感器收集的数据在圣巴巴拉地区:两个16米的空间分辨率和两个4米的空间分辨率图像。使用64个经验证的感兴趣区域(ROI)(180 m × 180 m)来评估估计准确度。地面实况获得使用1米的图像,导致以下6类:草坪草,非光合植被(NPV),铺设,屋顶,土壤和树木。通过手动识别和提取两种分辨率图像的纯光谱来构建光谱库,得到16 m处的3,287个光谱和4 m处的15,426个光谱。然后,我们使用以下解混算法对每个分辨率的ROI进行解混:基于集合的算法MESMA和AAM,以及基于分布的算法GMM、NCM和EMM。原始库用于基于分布的算法,而基于集合的方法需要复杂的还原方法,从而产生16 m处的61个光谱和4 m处的95个光谱的还原库。结果表明,GMM在基于分布的方法中表现最好,产生与MESMA相当的准确性,并且在数据集上可能更鲁棒。
2018-01-25 cs.CV
Constrained Nonnegative Matrix Factorization for Blind Hyperspectral Unmixing incorporating Endmember Independence
Monash University(莫纳什大学);Sri Lanka Technological Campus(斯里兰卡理工学院);University of Peradeniya(佩拉德尼亚大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
高光谱解混(HU)是利用高光谱数据的一项重要技术,它将混合像元分解成由分数丰度加权的端元集合。高光谱图像(HSI)的端元更可能由独立源产生,并且在到达成像光谱仪的传感器元件之前以宏观程度混合为混合光谱。在过去的几十年里,许多尝试都集中在施加辅助约束的传统非负矩阵分解(NMF)的框架,以有效地解混这些混合光谱。作为一个有前途的一步,找到一个最佳的约束,提取端元,本文提出了一种新的盲HU算法,称为基于Kurtosis-based平滑非负矩阵分解(KbSNMF),其中包括一个新的约束的基础上统计独立的概率密度函数的端元光谱。对传统的NMF框架施加这种约束促进了独立端元的提取,同时进一步增强了数据的基于部分的表示。在不同的合成HSI数据集(具有许多数量的端元,光谱带,像素和噪声水平)和三个标准的真实HSI数据集上进行的实验证明了所提出的KbSNMF算法的有效性相比,几个国家的最先进的基于NMF的HU基线。该算法表现出优越的性能,特别是在从高光谱数据中提取端元光谱方面;因此,它可以提升最近的深度学习HU方法的性能,这些方法利用端元光谱作为丰度提取的监督输入数据。
2021-08-07 cs.CV eess.IV
Agentic Multimodal Models for Environmental Hyperspectral Unmixing
ISTI-CNR;IITiS-PAS
该研究提出一种基于大视觉语言模型的智能体框架,用于优化高光谱解混模块化 pipeline,在多个数据集上可一致改善解混效果,性能与端到端方法相当。
2026-09-02 cs.CV
Hyperspectral Unmixing Hierarchies
Department of Engineering Cybernetics, Norwegian University of Science and Technology(工程 cybernetics 部,挪威科学与技术大学);Department of Biology, Norwegian University of Science and Technology(生物学部,挪威科学与技术大学);Department of Automatic Control and Systems Engineering, University Politehnica Bucharest(自动控制与系统工程部,布加勒斯特理工大学)
本文提出基于深度非负矩阵分解的层次混合方法,通过二进制线性混合触觉层次结构(BLUTHs)解决高光谱图像混合问题,提升端成员识别和光谱对比度处理能力。
2026-04-18 cs.CV eess.IV
Hyperspectral Unmixing with 3D Convolutional Sparse Coding and Projected Simplex Volume Maximization
Department of Electrical Engineering, IIT Kharagpur, India(印度德里印度理工学院Kharagpur电子工程系);Rekhi Centre of Excellence for the Science of Happiness, IIT Kharagpur, India(印度德里印度理工学院Kharagpur幸福科学卓越中心);Department of Electronics and Electrical Communication Engineering, IIT Kharagpur, India(印度德里印度理工学院Kharagpur电子与电子通信工程系)
本文提出3D-CSCNet网络,结合3D卷积稀疏编码与投影简单体积最大化算法,用于超光谱解混,提升端成员估计与重建性能。
2025-12-05 cs.CV
Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification
Department of Geomatics Engineering, University of Calgary(卡尔加里大学地理信息工程系)
本文提出一种基于聚类标记的解混引导空间-光谱Mamba模型,通过设计新的光谱解混网络、高效的Top-K标记选择策略及改进的Mamba模块,提升超光谱图像分类性能,并通过多任务学习框架同时学习端成员-丰度模式和分类标签。
2026-04-10 cs.CV
Hyperspectral Unmixing of Agricultural Images taken from UAV Using Adapted U-Net Architecture
Institute of Data Science and Digital Technologies, Vilnius University(维尔纽斯大学数据科学与数字技术研究所)
本文针对无人机高光谱农业图像解混问题,构建蓝莓田高光谱解混数据集,并提出基于U-Net的解混算法以提升解混精度。
2024-09-29 cs.CV eess.IV
Hyperspectral Pixel Unmixing with Latent Dirichlet Variational Autoencoder
Ontario Tech University(安大略理工大学)
提出一种基于狄利克雷变分自编码器的高光谱像素解混方法,利用迁移学习在合成数据上训练,在多个基准上取得最先进结果,并发布新数据集OnTech-HSI-Syn-21。
2024-01-31 cs.CV cs.LG eess.IV
Online Unmixing of Multitemporal Hyperspectral Images accounting for Spectral Variability
University of Toulouse(图卢兹大学);IRIT/INP-ENSEEIHT(图卢兹计算机科学研究所/国立高等电子技术、电子、计算机、水力学与电信学院)
高光谱解混的目的是确定组成高光谱图像的参考光谱特征及其在每个像素中的相对丰度分数。在实践中,由于不同的采集条件,所识别的签名可能在光谱上从一个图像到另一个图像而变化,从而引起可能显著的估计误差。在此背景下,高光谱分解的几个图像在同一地区获得了相当大的兴趣。实际上,这样的分析使得能够跟踪场景的端元并且表征对应的端元可变性。序列端元估计从一组高光谱图像相比,独立分析图像的方法,预计提供更好的性能。然而,高光谱数据的显著大小排除了使用批处理程序来联合估计高光谱图像序列的混合参数。假设每个基本成分存在于序列的至少一个图像中,我们建议执行在线高光谱解混占时间端元的变化。在线高光谱解混被制定为一个两阶段的随机程序,它可以使用随机近似求解。所提出的方法的性能进行评估合成和真实数据。与独立的解混算法的比较,最后说明了所提出的策略的兴趣。
2016-06-06 cs.CV physics.data-an stat.ME
Neural Network for Blind Unmixing: a novel MatrixConv Unmixing (MCU) Approach
University College London(伦敦大学学院);University of Electronic Science and Technology of China(电子科技大学)
本文提出 MatrixConv 解混(MCU)方法,通过展开迭代求解器构建端元估计 DIP 和丰度估计 DIP 两个子网络,并结合复合损失函数与正则化项,解决深度学习方法在盲高光谱解混中缺乏物理意义和网络结构不适配的问题。
2025-03-11 cs.AI cs.CV cs.LG
A General Framework for Group Sparsity in Hyperspectral Unmixing Using Endmember Bundles
Department of Mathematics, Michigan State University(数学系,密歇根州立大学);Department of Mathematics and the School of Data Science and Society, The University of North Carolina at Chapel Hill(数学系和数据科学与社会学院,北卡罗来纳大学教堂山分校);Department of Mathematics and the Department of Computational Mathematics, Science and Engineering, Michigan State University(数学系和计算数学、科学与工程系,密歇根州立大学)
针对高光谱解混中物质类别可变性导致单一光谱特征表示不准确的问题,提出基于端元束的组稀疏性通用框架,支持多种稀疏惩罚并验证了有效性。
2025-05-20 cs.CV eess.IV
Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using Convolutional Autoencoders
Tianjin University(天津大学);Northwestern Polytechnical University(西北工业大学)
无监督光谱分解包括将每个观察到的像素表示为几种称为端元的纯物质及其相应丰度分数的组合。除了线性假设之外,还提出了各种非线性解混模型,相关的优化问题可以通过传统的优化算法或深度学习技术来解决。当前基于深度学习的非线性解混集中在基于加法、双线性的公式中的模型。通过解释反射过程中使用离散马尔可夫链,多线性混合模型(MLM)成功地占到无限阶端元之间的相互作用。然而,用神经网络来模拟传销的物理过程是一个具有挑战性的问题,迄今为止还没有人研究过。在这篇文章中,我们提出了一种新的基于自动编码器的网络,用于基于MLM的无监督解混。受益于精心设计的网络,所有模型参数{ \em即}之间的关系,端元、丰度和跃迁概率参数被明确地建模。有两种模式:MLM-1DAE仅考虑逐像素的光谱信息,而MLM-3DAE利用输入块内的光谱-空间相关性。在合成数据集和真实数据集上的实验表明,该方法的有效性,因为它实现了竞争力的性能MLM的经典解决方案。
2023-03-14 cs.CV eess.IV
SpACNN-LDVAE: Spatial Attention Convolutional Latent Dirichlet Variational Autoencoder for Hyperspectral Pixel Unmixing
Birla Inst. of Tech. & Sci. Pilani(比拉理工学院皮拉尼分校);Ontario Tech University(安大略理工大学)
本文提出SpACNN-LDVAE模型,通过空间注意力卷积网络扩展LDVAE,在高光谱像素解混中利用局部空间上下文,提升端元提取与丰度估计精度。
2024-05-24 cs.CV cs.LG eess.IV
Convolutional Autoencoder for Blind Hyperspectral Image Unmixing
在遥感背景下,光谱分解是一种将混合像元分解为两个基本代表:端元和丰度的技术。提出了一种新的高光谱图像盲解混算法。所提出的架构由卷积层和自动编码器组成。编码器将通过卷积层产生的特征空间转换为潜在空间表示。然后,解码器从这些潜在特征重构在架构的输入处的单色图像的展开图像;并且顺序地馈送每个单频带图像。在实际高光谱数据上的实验结果表明,该算法在丰度估计方面优于现有的解混方法,在分别以RMSE和SAD为度量的端元提取方面也有较好的效果。
2020-11-18 cs.CV eess.IV
Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package
Technische Universität Berlin(柏林工业大学);Univ. Grenoble Alpes(格勒诺布尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LJK(让·昆廷诺实验室);Data Science Experts(数据科学专家公司)
本文综述了监督、半监督和无监督高光谱线性解混的先进与传统图像处理与机器学习方法,在模拟与真实数据集上对比其性能,并开源了HySUPP Python包以复现结果。
2024-04-26 cs.CV cs.LG eess.IV
Generalized linear mixing model accounting for endmember variability
Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
端元变化是准确揭示高光谱图像中纯物质及其分布的重要信息的重要因素。最近,扩展的线性混合模型(ELMM)已被提出作为修改的线性混合模型(LMM)考虑端元变异性的影响,主要是由光照变化。在本文中,我们进一步推广ELMM导致一个新的模型(GLMM),以考虑更复杂的光谱失真,不同的波长间隔可能会受到不均匀的影响。我们还扩展了现有的方法,共同估计的变异性和丰度的GLMM。模拟与真实和合成数据表明,分解过程可以受益于额外的灵活性引入的GLMM。
2017-10-20 cs.CV
Dynamical Hyperspectral Unmixing with Variational Recurrent Neural Networks
University of Lorraine(洛林大学);CNRS(法国国家科学研究中心);CRAN(南锡自动控制与计算机科学实验室);Northeastern University(东北大学)
针对多时相高光谱解混中端元时空变异性处理不足的问题,提出基于变分循环神经网络的无监督算法,通过低维参数化和深度变分推理实现解混,性能优于现有先进算法。
2023-03-19 cs.CV eess.IV
SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing
Info Edge India Ltd;Department of Artificial Intelligence and Machine Learning(人工智能与机器学习系);Acharya Institute of Technology(阿查里亚理工学院);Indian Institute of Information Technology Vadodara (IIITV)(瓦多拉印度信息科技学院)
本文提出SWAN,一种三阶段自监督小波神经网络,通过双正交小波变换与组合损失函数,实现高光谱图像端元与丰度的联合估计,在多个基准数据集上验证了其性能提升。
2025-10-26 cs.CV
SUnAA: Sparse Unmixing using Archetypal Analysis
Helmholtz-Zentrum Dresden-Rossendorf(德累斯顿-罗森多夫亥姆霍兹中心);Helmholtz Institute Freiberg for Resource Technology(弗赖贝格亥姆霍兹资源技术研究所);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
本文提出SUnAA方法,利用原型分析进行稀疏解混,通过活动集算法求解非凸优化问题,在模拟数据和Cuprite数据集上验证了其优于传统方法的性能。
2023-08-09 cs.CV cs.LG eess.IV
An Augmented Linear Mixing Model to Address Spectral Variability for Hyperspectral Unmixing
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich (TUM)(慕尼黑工业大学);RIKEN(日本理化学研究所);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院);University of Iceland(冰岛大学)
从航空或卫星来源收集的高光谱图像不可避免地受到光谱变化的影响,这使得光谱分解难以准确估计丰度图。经典的解混模型,线性混合模型(LMM),通常无法有效地处理这个棘手的问题。为此,我们提出了一种新的光谱混合模型,称为增广线性混合模型(ALMM),以解决光谱的变化,通过应用数据驱动的学习策略在反问题的高光谱解混。所提出的方法对主要光谱可变性(即,比例因子)通过端元字典分别由照明或排版的变化产生。然后,它对由环境条件引起的其他光谱可变性(例如,局部温度和湿度,大气影响)和仪器配置(例如,传感器噪声)以及材料非线性混合效应。为了有效地运行数据驱动的学习策略,我们还提出了一个合理的先验知识的光谱变异字典,其原子被假定为低相干的光谱签名的端元,这导致了一个众所周知的低相干字典学习问题。因此,字典学习技术被嵌入到光谱分解的框架中,使得算法可以同时学习光谱变异字典和估计丰度图。在人工数据集和真实数据集上进行了大量的实验,与以往的最先进的方法相比,证明了该方法的优越性和有效性。
2018-10-29 cs.CV
Kalman Filtering and Expectation Maximization for Multitemporal Spectral Unmixing
Universidade Federal de Santa Catarina(圣卡塔琳娜联邦大学);Université Côte d’Azur(蔚蓝海岸大学);Northeastern University(东北大学);Catholic University of Pelotas(佩洛塔斯天主教大学)
高光谱成像技术的发展和新应用的不断涌现迫切要求对多时相高光谱图像进行处理。在这项工作中,我们提出了一种新的光谱解混(SU)的策略,使用物理动机的参数端元表示占时间光谱的变化。通过代表多时相混合过程中使用的状态空间配方,我们能够利用贝叶斯过滤机来估计端元变异系数。此外,通过假设丰度的时间变化在短时间间隔内是小的,期望最大化(EM)算法的有效实现被用来估计丰度和其他模型参数。仿真结果表明,该策略优于国家的最先进的多时SU算法。
2020-08-12 cs.CV eess.IV
A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing Algorithm
Universidade Federal de Santa Catarina(圣卡塔琳娜联邦大学);Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);CRAN(CRAN 研究中心);Universidade Católica de Pelotas(佩洛塔斯天主教大学)
针对高光谱稀疏解混中端元变异、正则化计算复杂且对噪声敏感的问题,提出融合混合范数与多尺度空间正则化的束结构鲁棒算法,并通过启发式选择代表性估计提升可复现性。
2024-01-24 cs.CV eess.SP
Improving Autoencoder Training Performance for Hyperspectral Unmixing with Network Reinitialisation
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences(波兰科学院理论与应用信息学研究所);Silesian University of Technology(西里西亚工业大学);Sapientia Hungarian University of Transylvania(特兰西瓦尼亚萨皮恩扎匈牙利大学)
神经网络,特别是自动编码器,是最有前途的解决方案之一,用于解混高光谱数据,即重建观测物质(端元)的光谱及其相对混合分数(丰度),这是有效的高光谱分析和分类所需要的。然而,正如我们在本文中所展示的,用于解混的自编码器的训练高度依赖于权重初始化;某些权重集会导致退化或低性能解决方案,从而在预期性能中引入负偏差。在这项工作中,我们实验研究自动编码器的稳定性以及网络重新初始化方法的基础上系数的神经元的死激活。我们证明,所提出的技术有一个积极的影响,自动编码器的训练方面的重建,丰度和端元错误。
2022-04-12 cs.CV cs.LG eess.IV
WS-Net: Weak-Signal Representation Learning and Gated Abundance Reconstruction for Hyperspectral Unmixing via State-Space and Weak Signal Attention Fusion
School of Information and Communication Technology, Griffith University(信息与通信技术学院,格里菲斯大学);School of Computing, Engineering and Mathematical Sciences, La Trobe University(计算、工程与数学科学学院,拉特罗布大学);CSIRO Agriculture and Food(澳大利亚农业与食品CSIRO)
WS-Net通过态空间建模和弱信号注意力融合,提升超光谱解混中弱信号的准确性和效率。
2026-03-10 cs.AI cs.CV
Tech Report: A Fast Multiscale Spatial Regularization for Sparse Hyperspectral Unmixing
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);CNRS(法国国家科学研究中心);OCA(蔚蓝海岸天文台)
从大型光谱库中提取高光谱稀疏解混被认为可以克服端元提取算法的局限性。这种策略通常会导致不适定的反问题,这可以从空间正则化策略中受益。虽然现有的空间正则化方法改善了问题条件并促进了分段光滑解,但它们导致了大的非光滑优化问题。因此,在解混问题中有效地引入空间上下文仍然是一个挑战,并且对于许多现实世界的应用是必要的。本文提出了一种新的多尺度空间正则化稀疏解混方法。该方法使用基于超像素的信号自适应空间多尺度分解,将解混问题分解为两个更简单的问题,一个在近似域中,另一个在原始域中。使用合成和真实数据的仿真结果表明,所提出的方法可以优于国家的最先进的全变分算法的计算时间与他们的非正规化的同行。
2018-10-25 cs.CV
Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery
Southwest China Institute of Electronic Technology(西南中国电子技术研究所)
提出STVMLU方法,结合TV约束与L1/2稀疏约束的多层矩阵分解,利用ADMM优化,提升高光谱解混精度。
2025-08-05 cs.CV cs.LG eess.IV
A Tractable Two-Step Linear Mixing Model Solved with Second-Order Optimization for Spectral Unmixing under Variability
Imec-Visionlab research group, University of Antwerp(Antwerpen大学)
本文提出了一种两步线性混合模型,通过二阶优化解决光谱解混中的基底变异性问题,具有高鲁棒性和易用性。
2025-12-03 cs.CV eess.IV
Distributed Unmixing of Hyperspectral Data With Sparsity Constraint
Qom University of Technology(库姆理工大学)
光谱解混是高光谱遥感中的一个数据处理问题。SU问题中的一个重要挑战是如何准确地识别端元及其权重。非负矩阵分解(NMF)及其发展在SU问题中被广泛应用于盲问题中的特征矩阵和分数丰度矩阵的估计。其中一个约束是稀疏性约束,该约束通过L1/2范数进行正则化。本文提出了一种新的基于分布式优化的混合光谱分解算法。在所提出的算法中,一个网络,包括单节点集群已被采用。将高光谱图像中的每个像素作为网络中的一个节点。采用扩散LMS策略对稀疏约束下的分布式解混算法进行了优化,得到了分数丰度和特征矩阵的更新方程。基于定义的性能指标的仿真结果表明,与其他方法相比,该算法在高光谱数据的光谱分解中具有优势。实验结果表明,在信噪比为25 dB时,该方法的AAD和SAD分别比分布式解混提高了6%和27%。
2017-11-03 cs.CV
UnMix-NeRF: Spectral Unmixing Meets Neural Radiance Fields
Universidad Industrial de Santander(圣安德烈大学);KAUST(王国立人工智能科技大学)
提出UnMix-NeRF,将光谱解混集成到NeRF中,联合实现高光谱新视角合成与无监督材料分割,通过漫反射和镜面反射建模光谱反射率,学习全局端元字典表示纯材料特征,并支持基于材料的场景编辑,实验证明优于现有方法。
2025-08-06 cs.AI cs.CV cs.LG
An Elliptic Kernel Unsupervised Autoencoder-Graph Convolutional Network Ensemble Model for Hyperspectral Unmixing
University of Puerto Rico(波多黎各大学)
本文提出AEGEM集成模型,结合椭圆核图构建、自编码器与图卷积网络,在高光谱解混中通过均方根误差决策优化端元提取与丰度图估计,并在多个基准数据集上优于基线方法。
2024-06-10 cs.AI cs.CV eess.IV
Entropic Descent Archetypal Analysis for Blind Hyperspectral Unmixing
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院);Helmholtz-Zentrum Dresden-Rossendorf (HZDR)(亥姆霍兹德累斯顿罗森多夫研究中心)
在本文中,我们介绍了一种新的算法,基于原型分析的盲高光谱混合,假设线性混合的端元。原型分析是完成这一任务的一个自然公式。该方法不需要存在纯像素(即,包含单一材料的像素),而是将端元表示为原始高光谱图像中存在的几个像素的凸组合。我们的方法利用熵梯度下降策略,(i)提供比传统原型分析算法更好的高光谱解混解决方案,(ii)导致高效的GPU实现。由于运行我们的算法的单个实例是快速的,我们还提出了一个集成机制以及适当的模型选择过程,使我们的方法对超参数选择具有鲁棒性,同时保持合理的计算复杂度。通过使用六个标准真实数据集,我们证明了我们的方法优于最先进的矩阵分解和最近的深度学习方法。我们还提供了一个开源的PyTorch实现:https://github.com/inria-thoth/EDAA。
2022-09-26 cs.CV cs.LG eess.IV
Spectral Variability Augmented Sparse Unmixing of Hyperspectral Images
Northwestern Polytechnical University(西北工业大学);Mississippi State University(密西西比州立大学)
光谱解混(SU)将高光谱图像中存在的混合像元表示为端元与丰度的乘积,已广泛应用于高光谱图像分析。然而,光的影响,采集条件和材料的固有特性,导致所识别的端元可以在给定的图像内光谱变化(解释为光谱可变性)。为了解决这个问题,目前的方法通常使用先验获得的光谱库来表示同一对象的多个特征光谱,但很少有明确提取光谱变化。提出了一种光谱变异性增强稀疏分解模型(SVASU),首次提取了光谱变异性。该方法将可变光谱分为内禀光谱和光谱变率两部分进行光谱重构,并在SU模型中加入限制丰度稀疏性的正则项和变率系数的推广,进行同步建模。值得注意的是,光谱变异性库和本征光谱库都是根据现场观测图像构建的。实验结果表明,在合成和真实世界的数据集上的光谱变化的增强分解显着提高了解混性能比分解只有光谱库,以及相比,国家的最先进的算法。
2021-10-21 cs.CV cs.LG eess.IV
Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review
Southwest Jiaotong University(西南交通大学);Mississippi State University(密西西比州立大学);University of New South Wales(新南威尔士大学);University of Extremadura(埃斯特雷马杜拉大学)
高光谱解混是从高光谱图像(HSI)中估计一组端元及其相应丰度的重要技术。非负矩阵分解(NMF)在解决这一问题中起着越来越重要的作用。在这篇文章中,我们提出了一个全面的调查基于NMF的方法提出的高光谱解混。以NMF模型为基线,我们展示了如何通过利用HSI的主要属性(例如,光谱、空间和结构信息)。我们将NMF的发展分为三个重要的方向:约束NMF、结构化NMF和广义NMF。最后通过实验验证了相关算法的有效性。最后,对未来的发展方向进行了总结,旨在为高光谱解混技术的发展提供指导和启示。
2022-05-20 cs.CV eess.IV
Enhancing Unregistered Hyperspectral Image Super-Resolution via Unmixing-based Abundance Fusion Learning
Beijing Institute of Technology(北京理工大学);Hangzhou Dianzi University(杭州电子科技大学)
本文提出基于解混的丰度融合学习方法,通过解耦空间-光谱信息,提升未注册超光谱图像超分辨率的性能。
2026-03-09 cs.CV
Fusion of Hyperspectral and Panchromatic Images using Spectral Uumixing Results
Tarbiat Modares University(塔比亚特莫达雷斯大学)
高光谱成像技术由于能够提供高光谱分辨率的图像,是遥感领域最重要的工具之一。由于技术限制,超光谱传感器的空间分辨率有限。另一方面,全色图像具有更好的空间分辨率。将这些信息结合在一起可以更好地理解目标场景。高光谱图像中混合像元的光谱解混得到端元的光谱特征和丰度分数,但没有给出它们在混合像元中的位置信息。本文利用高光谱图像的光谱分解结果和全色图像的分割结果进行数据融合。所提出的方法已应用于模拟数据使用AVRIS印度松数据集。实验结果表明,该方法能有效地融合高光谱图像和全色图像中的信息。
2013-10-22 cs.CV
DTU-Net: A Multi-Scale Dilated Transformer Network for Nonlinear Hyperspectral Unmixing
Tianjin University(天津大学);Heriot-Watt University(赫瑞瓦特大学);CNRS(法国国家科学研究中心);OCA(蔚蓝海岸天文台)
提出DTU-Net,一种用于非线性高光谱解混的多尺度膨胀Transformer网络,通过双分支编码器融合多尺度空间与光谱特征,并结合PPNMM建模提升了解混精度与可解释性。
2025-03-06 cs.CV eess.IV
Unmixing ATR-μFTIR spectroscopic images of cross-sections of historical oil paintings
Belgian Federal Science Policy(比利时联邦科学政策);FED-tWIN project(FED-tWIN项目);Prf-2022-050 BALaTAI;Prf-2021-002 MatCoRe
提出一种无监督CNN自编码器,结合加权光谱角距离损失,用于解混ATR-μFTIR高光谱图像,自动估计端元光谱和丰度图,在污染区域提升可解释性。
2026-06-05 cs.CV cs.LG