A Copula-Guided Temporal Dependency Method for Multitemporal Hyperspectral Images Unmixing
本文提出了一种用于多时相高光谱图像解混的Copula引导的时间依赖方法（Cog-TD），通过构建数学模型与框架并设计关键模块显式建模时间依赖性，有效捕捉动态物质演化，实验验证了其有效性。
2025-09-14 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
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
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
Extending the Unmixing methods to Multispectral Images
Universite Bourgogne Franche-Comté（勃艮第-弗朗什-孔泰大学）；Le Centre de Recherche et de Restauration des Musées de France（法国博物馆研究与修复中心）；Centre National de la Recherche Scientifique（法国国家科学研究中心）
在过去的几十年里，人们对高光谱图像的混合分解进行了深入的研究。一些方法，如NMF，VCA和N-FINDR已成为标准，因为它们在处理高光谱图像的解混方面表现出鲁棒性。然而，关于多光谱图像混合分解的研究相对较少。因此，我们扩展了一些混合方法的多光谱图像。在本文中，我们已经创建了两个模拟的多光谱数据集从两个高光谱数据集的地面真理。然后我们对这两个数据集应用解混合方法（VCA、NMF、N-FINDR）。通过比较和分析的结果，我们已经能够证明一些有趣的结果，利用VCA，NMF和N-FINDR与多光谱数据集。此外，这也证明了将这些解混方法推广到多光谱成像领域的可能性。
2021-11-23 cs.CV eess.IV
Hyperspectral Unmixing: Ground Truth Labeling, Datasets, Benchmark Performances and Survey
高光谱解混（HU）是一个非常有用的和越来越流行的预处理步骤，为广泛的高光谱应用。然而，HU研究受到三个因素的限制：（a）高光谱图像的数量（b）大多数高光谱图像的地面实况没有在网上共享，这可能给研究人员评估其算法造成许多不必要的麻烦;（c）大多数最新方法的代码没有共享，这也可能拖延新方法的测试。因此，本文从以下三个方面对上述问题进行了研究：（1）作为一个深刻的贡献，我们提供了一个一般的标记方法的胡。有了它，我们标记了多达15个高光谱图像，提供了18个版本的地面实况。据我们所知，这是第一篇总结和分享HU多达15个高光谱图像及其18个地面实况版本的论文。观察到高光谱分类（HyC）比HU有更多的标准数据集（其地面真理通常是公开共享的），我们提出了一个有趣的方法来转换HyC数据集的HU研究。(2)为了进一步方便在不同条件下的HU方法的评估，我们审查和实现的算法，以产生一个复杂的合成高光谱图像。通过调整代码中的超参数，我们可以从四个角度验证HU方法。该代码也将在网络上共享。(3)为了提供一个标准的比较，我们回顾了多达10个最先进的HU算法，然后选择了5个最基准的HU算法，并在15个真实的高光谱数据集上进行了比较。实验结果具有一定的可重复性，实现的代码将在网络上共享。
2017-10-11 cs.CV
Hybrid Deep Learning for Hyperspectral Single Image Super-Resolution
Department of Computer Science, Aalto University, Finland（计算机科学系，艾尔沃斯大学，芬兰）
针对高光谱单图像超分辨率中空间细节恢复与光谱保真难以兼顾的问题，提出可集成到2D卷积架构的SSUF模块和定制空间-光谱梯度损失，构建的混合深度学习模型在降低复杂度的同时取得了有竞争力的性能。
2025-09-26 cs.AI cs.CV cs.LG
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
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
A Gaussian mixture model representation of endmember variability in hyperspectral unmixing
University of Florida（佛罗里达大学）
考虑端元变化的高光谱解混通常由正态组成模型（NCM）进行，其中每个像素的端元被假设为从单峰高斯分布中采样。然而，在实际应用中，材料的分布往往不是高斯分布。在本文中，我们使用高斯混合模型（GMM）来表示端元变异性。我们表明，给定GMM的起始前提，混合像素的分布（在线性混合模型下）也是GMM（这是从两个角度来看）。第一种观点源于随机变量变换，并给出了给定丰度和GMM参数的像素的条件密度函数。适当的光滑性和稀疏性先验约束的丰度，条件密度函数导致一个标准的最大后验概率（MAP）的问题，可以解决广义期望最大化。第二个视角源于GMM中的端元边缘化，这为我们解决每个像素处的端元提供了基础。因此，我们的模型不仅可以估计丰度和分布参数，但也为每个像素的不同端元集。我们在几个合成和真实数据集上测试了所提出的GMM，并通过将其与当前流行的方法进行比较来展示其潜力。
2018-01-15 cs.CV
A Multisensor Hyperspectral Benchmark Dataset For Unmixing of Intimate Mixtures
University of Antwerp（安特卫普大学）；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology（亥姆霍兹弗赖贝格资源技术研究所）
本文构建了一个包含325个紧密混合矿物粉末样本的多传感器高光谱基准数据集，覆盖350-15385 nm波段，并经XRD和XRF验证，旨在推动非线性解混、材料成分估计及光谱变异性研究。
2023-08-30 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
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
A Brain-Inspired Deep Separation Network for Single Channel Raman Spectra Unmixing
College of Artificial Intelligence, Nankai University, Tianjin, China（南开大学人工智能学院）；Guangdong Laboratory of Chemistry and Fine Chemical Industry, Guangdong, China（广东省化学与精细化工实验室）；Smekal Tech (Shantou) Ltd.（斯梅卡科技（汕头）有限公司）；Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系）
本文提出受语音分离启发的深度分离网络RSSNet，用于单通道拉曼光谱解混，通过分解千种成分库中的噪声混合光谱，优于现有方法，且能有效处理真实世界混合样品。
2026-04-24 cs.LG
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
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
Deep Nonlinear Hyperspectral Unmixing Using Multi-task Learning
University of Notre Dame（圣母大学）
本文提出一种基于深度学习的无监督非线性高光谱解混方法，采用无假设的通用模型，通过双分支结构和多任务学习提升解混性能，实验验证其优于现有方法。
2024-02-05 cs.CV cs.LG cs.NE
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
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
AGSA-Net: Abundance-Guided Self-Attention Network for Spectral Unmixing-Aware Hyperspectral Remote Sensing Image Classification
North South University（南北大学）
针对高光谱图像分类中的冗余和噪声问题，提出丰度引导的自注意力网络AGSA-Net，融合光谱解混先验与变换器，在多个数据集上提升分类性能。
2026-09-09 cs.AI cs.CV cs.LG
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
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
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
Theoretical and Practical Progress in Hyperspectral Pixel Unmixing with Large Spectral Libraries from a Sparse Perspective
University of Virginia（弗吉尼亚大学）
本文针对大光谱库下高光谱解混的OLS矩阵不可逆问题，系统评估了6类回归解混方法的多维度性能，构建了回归方法的贝叶斯分类体系，证实符合高光谱图像现象学先验的方法性能更优。
2024-08-14 cs.LG eess.IV
Hyperspectral Unmixing Network Inspired by Unfolding an Optimization Problem
高光谱图像混合分解本质上是一个逆问题，通常在预定义的（非）线性混合模型下通过优化算法求解。虽然这些优化算法表现出令人印象深刻的性能，但它们的计算要求非常高，因为它们通常依赖于迭代更新方案。近年来，神经网络的兴起激发了许多基于学习的混合分解算法。然而，它们中的大多数缺乏可解释性，并且需要大量的训练数据集。一个自然的问题，然后出现：可以利用基于模型的算法和基于学习的算法，以实现可解释的和快速的算法HSI分解问题？本文结合传统的基于优化模型的解混方法和基于上升学习的解混方法，提出了两种新的网络结构，分别用于丰度估计和盲解混，命名为U-ADMM-AENet和U-ADMM-BUNet。首先考虑具有稀疏约束的线性混合模型，然后利用交替方向乘子法（ADMM）构造解混网络结构。我们还表明，展开的结构可以在机器学习文献中找到相应的解释，这进一步证明了所提出的方法的有效性。受益于解释，建议的网络可以初始化，结合先验信息的HSI数据。与传统的展开网络不同，我们提出了一种新的训练策略，以更好地适应HSI应用。大量的实验表明，所提出的方法可以实现更快的收敛速度和竞争力的性能，即使在非常小的规模的训练数据，与最先进的算法相比。
2020-05-30 cs.LG eess.IV
Model-Based Deep Autoencoder Networks for Nonlinear Hyperspectral Unmixing
Northeastern University（东北大学）；EEL–UFSC（弗洛里亚诺波利斯联邦大学电气工程与计算机科学学院）；Lagrange Laboratory (CNRS, OCA)（拉格朗日实验室（法国国家科学研究中心、蔚蓝海岸天文台））；Université Côte d’Azur（蔚蓝海岸大学）
自动编码器（AEC）网络最近成为一种很有前途的方法来执行无监督高光谱解混（HU）相关联的潜在表示与丰度，解码器与混合模型和编码器与其逆。AEC对于非线性HU特别有吸引力，因为它们导致无监督和无模型算法。然而，现有的方法未能探索编码器应该反转混合过程的事实，这可能会降低它们的鲁棒性。在本文中，我们提出了一个基于模型的AEC的非线性HU考虑的混合模型的非线性波动的线性混合。从以前的作品中，我们发现，这种限制自然施加一个特定的结构，编码器和解码器网络。这在AEC中引入了先验信息，而不会降低混合模型的灵活性。仿真结果表明，该策略改善了非线性HU。
2021-04-17 cs.LG eess.SP
Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing
Tianjin University（天津大学）
近年来，神经网络的发展在高光谱图像分类方面取得了很大的进展。然而，过拟合效应，这主要是由复杂的模型结构和小的训练集，仍然是一个主要的关注。降低神经网络的复杂性可以在一定程度上防止过拟合，但也会降低网络表达更抽象特征的能力。扩大训练集也很困难，因为获取和手动标记的费用很高。在本文中，我们提出了一种基于丰度的多HSI分类方法。首先，我们将每个HSI从光谱域转换到丰度域通过特定的自动编码器。其次，收集来自多个HSI的丰度表示以形成扩大的数据集。最后，我们训练一个基于丰度的分类器，并使用该分类器对所有涉及的HSI数据集进行预测。与通常高度混合的光谱不同，丰度特征在降低的维度中更具代表性，噪声更少。这有利于所提出的方法采用简单的分类器和扩大的训练数据，并期望更少的过拟合问题。烧蚀研究和对比实验验证了该方法的有效性。
2020-12-21 cs.CV cs.LG eess.IV
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
Spectral unmixing of Raman microscopic images of single human cells using Independent Component Analysis
National Research Council Canada, Metrology Research Centre（加拿大国家研究委员会计量研究中心）
独立成分分析（ICA）作为一种解混和图像聚类技术的高空间分辨率拉曼图像的应用报告。通过拉曼显微光谱仪在0.5um网格上以光栅图案收集固定的人类细胞的高光谱图。与以前使用的无监督机器学习技术（如主成分分析）不同，ICA基于数据的非高斯性和统计独立性，这是混合拉曼光谱的情况。因此，ICA是一个伟大的候选人组装伪彩色地图从光谱超立方体的拉曼光谱。我们的实验结果表明，ICA是能够重建假彩色地图的拉曼高光谱数据的人类细胞，显示核区域的成分，以及亚细胞器的细胞质和线粒体的分布在核周区域。ICA方法的最低预处理要求和无标记性质使其成为提取活细胞拉曼高光谱图中端元的一种很好的非混合方法。
2021-10-25 cs.CV cs.LG eess.IV
Deep Learning-Based Correction and Unmixing of Hyperspectral Images for Brain Tumor Surgery
Macquarie University（麦考瑞大学）；Université de Pau & Pays de L’Adour（波城与阿杜尔大学）；University Hospital of Münster（明斯特大学医院）
提出两个深度学习模型用于高光谱图像校正与解混，以改善脑肿瘤手术中的荧光引导，监督和半监督方法均优于经典线性方法，相关系数显著提高。
2024-02-06 cs.LG eess.IV q-bio.TO
Phase-Locked SNR Band Selection for Weak Mineral Signal Detection in Hyperspectral Imagery
Judy X Yang（贾迪·X·杨）
针对高光谱影像中弱矿物信号被噪声和冗余波段掩盖的问题，提出两阶段框架：先通过相位锁定信噪比阈值和Savitzky-Golay滤波降噪，再用KMeans提取端元及NNLS解混，实验证明可提升解混精度和弱矿物检测能力。
2025-08-05 cs.LG
