論文の概要: Spectral Unmixing of Hyperspectral Images Based on Block Sparse
Structure
- arxiv url: http://arxiv.org/abs/2204.04638v1
- Date: Sun, 10 Apr 2022 09:37:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 09:22:49.180598
- Title: Spectral Unmixing of Hyperspectral Images Based on Block Sparse
Structure
- Title(参考訳): ブロックスパース構造に基づくハイパースペクトル画像のスペクトルアンミックス
- Authors: Seyed Hossein Mosavi Azarang, Roozbeh Rajabi, Hadi Zayyani, Amin
Zehtabian
- Abstract要約: 本稿では,ブロックスパース構造とスパースベイズ学習戦略に基づくハイパースペクトル画像(HSI)のスペクトルアンミックス手法を提案する。
- 参考スコア(独自算出の注目度): 1.491109220586182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spectral unmixing (SU) of hyperspectral images (HSIs) is one of the important
areas in remote sensing (RS) that needs to be carefully addressed in different
RS applications. Despite the high spectral resolution of the hyperspectral
data, the relatively low spatial resolution of the sensors may lead to mixture
of different pure materials within the image pixels. In this case, the spectrum
of a given pixel recorded by the sensor can be a combination of multiple
spectra each belonging to a unique material in that pixel. Spectral unmixing is
then used as a technique to extract the spectral characteristics of the
different materials within the mixed pixels and to recover the spectrum of each
pure spectral signature, called endmember. Block-sparsity exists in
hyperspectral images as a result of spectral similarity between neighboring
pixels. In block-sparse signals, the nonzero samples occur in clusters and the
pattern of the clusters is often supposed to be unavailable as prior
information. This paper presents an innovative spectral unmixing approach for
HSIs based on block-sparse structure and sparse Bayesian learning (SBL)
strategy. To evaluate the performance of the proposed SU algorithm, it is
tested on both synthetic and real hyperspectral data and the quantitative
results are compared to those of other state-of-the-art methods in terms of
abundance angel distance (AAD) and mean square error (MSE). The achieved
results show the superiority of the proposed algorithm over the other competing
methods by a significant margin.
- Abstract(参考訳): ハイパースペクトル画像(HSI)のスペクトルアンミックス(SU)は、リモートセンシング(RS)において重要な領域の1つであり、異なるRSアプリケーションで慎重に対処する必要がある。
ハイパースペクトルデータのスペクトル分解能が高いにもかかわらず、センサーの空間分解能は比較的低いため、画像ピクセル内に異なる純粋な物質が混ざり合う可能性がある。
この場合、センサによって記録された所定の画素のスペクトルは、その画素内の一意な物質に属する複数のスペクトルの組み合わせとなる。
スペクトルアンミキシングは、混合画素内の異なる材料のスペクトル特性を抽出し、各純粋なスペクトルシグネチャのスペクトルを復元する手法として用いられる。
隣接する画素間のスペクトル類似性の結果、ハイパースペクトル画像にはブロックスパーシティが存在する。
ブロックスパース信号では、非ゼロサンプルはクラスタ内で発生し、クラスタのパターンは事前情報として利用できないことがしばしばある。
本稿では,ブロックスパース構造とスパースベイズ学習(sbl)戦略に基づくhsisの新たなスペクトル混合法を提案する。
提案するsuアルゴリズムの性能を評価するために、合成データと実超スペクトルデータの両方でテストを行い、その定量的結果と、存在量天使距離(aad)と平均二乗誤差(mse)の観点から、他の最先端手法との比較を行った。
得られた結果は,提案アルゴリズムが他の競合手法よりも有意差で優れていることを示す。
関連論文リスト
- Hierarchical Homogeneity-Based Superpixel Segmentation: Application to Hyperspectral Image Analysis [11.612069983959985]
ハイパースペクトルデータの処理に有効なマルチスケールスーパーピクセル法を提案する。
提案された階層的アプローチは、可変サイズの超画素を導くが、スペクトルの均一性は高い。
評価のために、スペクトルアンミックスおよび分類タスクにおける前処理ステップとして、同質性に基づく階層法を適用した。
論文 参考訳(メタデータ) (2024-07-22T01:20:32Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳(メタデータ) (2022-11-15T17:57:12Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳(メタデータ) (2022-05-07T23:40:36Z) - Diffusion and Volume Maximization-Based Clustering of Highly Mixed
Hyperspectral Images [5.16230883032882]
本稿では,非教師付き材料識別のためのemphDiffusion and Volume-based Image Clustering (emphD-VIC)アルゴリズムについて紹介する。
D-VICは、高密度で高純度な他の高密度の高純度画素から遠く離れたハイパースペクトル画像中の、高密度で高純度なピクセルのクラスタモードを見つける。
D-VICアップウェイトピクセルは、1つの材料だけを含む空間領域に対応し、より解釈可能なクラスタリングをもたらす。
論文 参考訳(メタデータ) (2022-03-18T14:39:42Z) - A spectral-spatial fusion anomaly detection method for hyperspectral
imagery [7.155465756606866]
ハイパースペクトル画像に対してスペクトル融合異常検出法(SSFAD)を提案する。
新しい検出器は、空間領域におけるパッチ画像の局所的な類似性空間的特徴を抽出するように設計されている。
論文 参考訳(メタデータ) (2022-02-24T03:54:48Z) - Hyperspectral Image Segmentation based on Graph Processing over
Multilayer Networks [51.15952040322895]
ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。
M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。
HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
論文 参考訳(メタデータ) (2021-11-29T23:28:18Z) - Spectral Variability Augmented Sparse Unmixing of Hyperspectral Images [20.703976519242094]
スペクトル変動を明示的に抽出するスペクトル変動拡張スパース混合モデル(SVASU)を提案する。
スペクトル変動ライブラリーと固有スペクトルライブラリーはいずれもIn-situ観測画像から構築されている。
合成, 実世界の両方のデータセットに対する実験結果から, スペクトル変動による拡張分解は未混合性能を著しく向上させることが示された。
論文 参考訳(メタデータ) (2021-10-19T05:25:30Z) - Spectral Splitting and Aggregation Network for Hyperspectral Face
Super-Resolution [82.59267937569213]
高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。
本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。
限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
論文 参考訳(メタデータ) (2021-08-31T02:13:00Z) - LADMM-Net: An Unrolled Deep Network For Spectral Image Fusion From
Compressive Data [6.230751621285322]
ハイパースペクトル(HS)およびマルチスペクトル(MS)画像融合は、低空間分解能HS画像と低スペクトル分解能MS画像から高分解能スペクトル画像を推定することを目的とする。
本研究では,HSおよびMS圧縮測定による融合問題の解法として,アルゴリズムアンロール法に基づくディープラーニングアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-03-01T12:04:42Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳(メタデータ) (2020-05-18T14:25:50Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-03-15T23:07:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。