通过空间和光谱约束端成员从图像光谱库中选择的等效稀疏分解

在现代遥感技术中，高光谱成像技术因其能提供图像每个空间位置上的详细光谱信息而变得越来越重要。它通过记录反射太阳能量的详细光谱来区分不同的材料。然而，由于高光谱遥感器的空间分辨率较粗糙，大多数由高光谱遥感器获取的像素通常由几种地面材料混合而成，即所谓的混合像素或混合物。混合像素的存在影响了图像分类和目标识别的性能。因此，光谱解混技术被开发出来，以便在一个像素内提取纯材料的分数丰度（被称为端成员）。 文章中提到的“通过空间和光谱约束端成员从图像光谱库中选择的等效稀疏分解”（Equivalent-Sparse Unmixing Through Spatial and Spectral Constrained Endmember Selection from an Image-Derived Spectral Library）是一项研究，旨在通过引入空间和光谱约束来优化端成员选择，以改进光谱解混的性能。文章的作者是Shaohui Mei、Qian Du和Mingyi He，他们均隶属于IEEE（电气和电子工程师协会）。 在这项研究中，作者首先构建了一个现场端成员库，以应对高光谱数据中存在的光谱变化问题。他们通过将每个端成员类别表示为一批图像派生的光谱来实现这一点。然后，为了使用这种现场端成员库进行解混，设计了一种新颖的空间和光谱端成员选择（Spatial and Spectral Endmember Selection, SSES）算法。该算法的目标是在每个像素中找到一组同时受到空间和光谱约束的端成员子集，用于丰度估计（Abundance Estimation, AE）。其净效果是实现等效稀疏解混，因为大量端成员库中只有少数端成员具有非零丰度。因此，所得到的算法被称为“空间和光谱约束稀疏解混”（Spatial and Spectral Constrained Sparse Unmixing, SSCSU）。 该论文通过使用合成和实际高光谱图像的实验结果表明，提出的SSCSU算法不仅通过考虑光谱变化改进了传统丰度估计算法的性能，而且优于现有的稀疏解混方法。该论文发表在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》2015年6月刊的第8卷第6期上，是一篇重要的研究论文。 文章指出，高光谱成像记录的是图像每个空间位置上反射的太阳能量的详细光谱，已经成为根据光谱特征区分不同材料的一个有前途的技术。然而，由于高光谱遥感器的空间分辨率较低，大多数像素由几种地面材料混合而成，即混合像素。混合像素的广泛存在影响了图像分类和目标识别的性能。因此，光谱解混技术被开发出来，以解决这一问题。 此外，文章介绍了混合像素的影响、光谱解混技术的重要性以及端成员的概念。端成员是指在光谱解混过程中，用于从混合像素中提取纯材料分数丰度的特定材料的光谱特征。端成员的选择对于光谱解混算法的性能至关重要。 文章还讨论了在处理高光谱数据时不可避免地会遇到的问题：光谱变化，它是由于光照的非均匀性和不一致性导致的。这种变化可能导致光谱解混过程出现较大的困难。为了解决这个问题，研究者们提出了构建一种现场端成员库的方法，并通过代表性图像派生光谱的端成员类来适应这种光谱变化。